python - 如何从 <br/> 标签后的单元格中获取文本？

Question

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。

Answer 1

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