python - 使用 lxml 进行 HTML 解析 - 如何在结果列表中保留空内容？

Question

我正在使用 lxml 来解析 html 文件:

from lxml import html

tree = html.parse(myfile)
data = tree.xpath('//p/text()')

我有 300 <p>text</p>我的 html 文件中的标签，但是 len(data)只有 250 因为有时我会有 <p></p>在我的 html 中。我希望这些包含在 data 中作为'nan'或 '' .

关于如何做到这一点有什么建议吗？

Answer 1

//p/text() 只会找到包含非空文本的 p 元素的文本。

相反，查找所有 p 元素并为每个元素调用 .text_content():

data = [p.text_content() for p in tree.xpath('//p')]

演示差异:

>>> from lxml import html
>>> 
>>> 
>>> data = """
... <p>text1</p>
... <p></p>
... <p>text2</p>
... """
>>> 
>>> tree = html.fromstring(data)
>>> data = tree.xpath('//p/text()')
>>> len(data)
2
>>> 
>>> data = [p.text_content() for p in tree.xpath('//p')]
>>> len(data)
3