python - lxml 过滤子标签之间没有文本的 HTML 标签

Question

我有一些这样的文件

....
  <tag1>
     <tag2>Foo</tag2>
     <tag3>Bar</tag3>
  </tag1>

  <tag1>
     <tag2>Foo</tag2>
     <tag3>Bar</tag3>
     Foo
  </tag1>

  <tag1>
     <tag2>Foo</tag2>     
     Foo
     <tag3>Bar</tag3>
  </tag1>

  <tag1>
     Foo
  </tag1>
 ....

我想过滤只有子标签的标签，即子标签之间没有一些文本。在上述情况下，它应该返回第一个 <tag1> .

我的代码最初是

from lxml import html

html_content = html.fromstring(content)
tag1 = html_content.xpath('//tag1')
tags = []
for tag in tag1:
   exists = False
   for child in tag.getchildren():
      exists = exists or (len(child.tag) == 0)
   if (not exists):
      tags.append(tag)

但事实证明getchildren()不返回不在任何标记之间的文本。如何做到这一点？

Answer 1

使用 .tail attribute的标签:

for tag in tag1:
    exists = False
    for child in tag.getchildren():
        exists = exists or not child.tail.strip()
    if not exists:
        tags.append(tag)

根据“只有子标签”的意思，这等同于:

for tag in tag1:
  children = tag.getchildren()
  no_extra_text = not any(child.tail.strip() for child in children)
  if children and no_extra_text:
    tags.append(tag)

---

这是一个更新，包括检查前导文本并在文本为 None 时删除错误(我认为它总是一个字符串):

for tag in tag1:
  children = tag.getchildren()
  no_extra_text = not any(child.tail and child.tail.strip() for child in children)
  no_text = tag.text and not tag.text.strip()
  if children and no_extra_text and no_text:
    tags.append(tag)