Python用lxml解析html : get text of tag while specific sign causes problems

Question

我正在使用 lxml 解析真实世界的 HTML 文件。这意味着，我想从标签中提取信息，但我无法控制样式。我遇到的问题在于数据。

<fieldset>
  <legend>
    <strong>Notes</strong>
  </legend>
  Slav *kǫda 'thither', kǫdě   'where, whither' < IE *k(w)om-d(h) 
</fieldset>

问题是由于数据中的符号<，lxml的HTML解析器将跳过文本和结束标记，但这正是我想要提取的文本。我可以应用任何解决方案来从此标签中获取文本吗？

Answer 1

HTML 实际上是 broken one 。

您可以使用 BeautifulSoup 来解析它和一个宽松的 html5lib 解析器:

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup


data = u"""
<fieldset>
  <legend>
    <strong>Notes</strong>
  </legend>
  Slav *kǫda 'thither', kǫdě   'where, whither' < IE *k(w)om-d(h)
</fieldset>
"""

soup = BeautifulSoup(data, "html5lib")
print(soup.fieldset.legend.next_sibling.strip())

打印:

Slav *kǫda 'thither', kǫdě   'where, whither' < IE *k(w)om-d(h)