我正在爬取一个简单但很长的 HTML block ,它与此类似:
<table>
<tbody>
<tr>
<td> Some text </td>
<td> Some text </td>
</tr>
<tr>
<td> Some text
<br/>
Some more text
</td>
</tr>
</tbody>
</table>
我正在使用以下小 python 代码(使用 lxml)收集数据:
for element in root.iter():
if element == 'td':
print element.text
一些文本被分成两行,但大部分都放在一行中。问题出在分隔的行内。
根元素是“table”标签。那个小代码可以打印出所有其他文本,但不能打印出“br”标签之后的内容。如果我不排除非 td 标签,代码会尝试从“br”标签内打印可能的文本,但当然那里什么也没有,因此只打印空的新行。
然而,在这个“br”之后,代码在迭代中移动到行中的下一个标签,但忽略仍在前一个“td”标签内的数据。
我怎样才能同时获得这些标签后的数据?
编辑:似乎有些“br”标签是自动关闭的,但有些是打开的
<td>
Some text
<br>
Some more text
</td>
第一个答案中建议的 element.tail 方法似乎无法获取该打开标记之后的数据。
Edit2:实际上它有效。是我自己的错误。忘记提到“print element.text”部分被 try-except 封装,在 br 标签捕获 AttributeError 的情况下,因为 br 标签内没有任何内容。我已将异常设置为仅通过并且不打印任何内容。在同一个 try-except 中,我也尝试打印出尾部,但从未打印出尾部,因为在它之前发生了异常。
最佳答案
因为 <br/>
是一个自闭合标签,它没有任何 text
内容。相反,您需要访问它的 tail
内容。 tail
content 是元素的结束标记之后但在下一个开始标记之前的内容。要在 for 循环中访问此内容,您需要使用以下内容:
for element in root.iter():
element_text = element.text
element_tail = element.tail
即使 br
标签是一个开始标签,这个方法仍然有效:
from lxml import etree
content = '''
<table>
<tbody>
<tr>
<td> Some text </td>
<td> Some text </td>
</tr>
<tr>
<td> Some text
<br>
Some more text
</td>
</tr>
</tbody>
</table>
'''
root = etree.HTML(content)
for element in root.iter():
print(element.tail)
输出
Some more text
关于python - 如何从 <br/> 标签后的单元格中获取文本?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33281217/