我正在生成一个模型来找出一段文本在 HTML 文件中的位置。
因此,我有一个数据库,其中包含来自不同报纸文章的大量数据,其中包括标题、发布日期、作者和新闻文本等数据。我想做的是通过分析这些数据,生成一个模型,该模型可以自行找到包含此内容的 HTML 标记的 XPath。
问题是当我在 xpath 方法中使用正则表达式时,如下所示:
from lxml import html
with open('somecode.html', 'r') as f:
root = html.fromstring(f.read())
list_of_xpaths = root.xpath('//*/@*[re:match(.,"2019-04-15")]')
这是在代码中搜索发布日期的示例。它返回 lxml.etree._ElementUnicodeResult 而不是 lxml.etree._Element。
不幸的是,这种类型的元素不允许我在应用 root.getroottree().getpath(list_of_xpaths[0]) 后像 lxml.etree._Element 一样获取它所在位置的 XPath
.
有没有办法获取这种类型元素的 XPath?怎么办?
有没有办法让 lxml 与正则表达式返回 lxml.etree._ElementUnicodeResult 元素?
最佳答案
问题是您得到一个表示为 _ElementUnicodeResult
类实例的属性值。
如果我们反射(reflection) _ElementUnicodeResult
类提供的内容,我们可以看到它允许您通过 .getparent()
方法获取具有此属性的元素:
attribute = list_of_xpaths[0]
element = attribute.getparent()
print(root.getroottree().getpath(element))
这将为我们提供元素的路径,但由于我们还需要属性名称,因此我们可以这样做:
print(attribute.attrname)
<小时/>
然后,为了获得指向元素属性的完整xpath,我们可以使用:
path_to_element = root.getroottree().getpath(element)
attribute_name = attribute.attrname
complete_path = path_to_element + "/@" + attribute_name
print(complete_path)
仅供引用,_ElementUnicodeResult
还通过 .is_attribute
属性指示这实际上是否是一个属性(因为此类也表示文本节点和尾部)。
关于python - 将 root.xpath() 与正则表达式一起应用会返回 lxml.etree._ElementUnicodeResult,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55752413/