python - lxml XPath-过滤所有文本，包括尾部

Question

我正在尝试使用 lxml 和 Python 从网站中过滤掉文本，但是，格式可能非常不规则。 (这是一个论坛。)

例如，我可能有:

<a>
   <c>
      <d>
         MARKER some text
      </d>
   </c>
   MARKER other text 1
   <b>MARKER other text 2</b>
   M<b>ARKE</b>R <e>other</e> text 3
</a>

我希望我的 xpath 返回给我:

MARKER other text 1
<b>MARKER other text 2</b>
M<b>ARKE</b>R <e>other</e> text 3

换句话说，我希望能够解析嵌套文本，但也返回带标记的文本。

我目前拥有的是:

filter = "//text()[not(parent::d[parent::c]) and contains(., 'MARKER')]"
filtered = root.xpath(self.vote_xpath)
for i in filtered:
    print(i)

哪里root是一个从字符串解析出来的元素树，它返回我:

MARKER other text 1
MARKER other text 2

这无法返回带有 MARKER 的最后文本，也无法保持我想要的格式。

我应该如何从这里开始？

编辑:好的，我一直在摆弄 xpath。

//node()[not(parent::d[parent::c]) and contains(., 'MARKER')]

运行于:

<a>
   <c>
      <d>
         some text
      </d>
   </c>
   other text 1
   <b>other text 2</b>
   M<b>ARKE</b>R <e>other</e> text 3
</a> 

成功注册 MARKER被 <b> 打破了标签，自 node()将整个节点传递给 contains筛选。但是，它返回整个父节点的匹配项，在本例中它只返回整个 <a>。节点及其所有内容。

我应该如何处理才能使 xpath 仅返回匹配的部分？

Answer 1

从不同的角度来看它可能会有所帮助。您的半完整解决方案侧重于所需数据的父元素，但您也可以使用子路径标识符或相对路径标识符。

我得到了这个 XPATH:

a/c/following-sibling::node()

返回:

   MARKER other text 1

<b>MARKER other text 2</b>


   M
<b>ARKE</b>

R 
<e>other</e>

 text 3

虽然这不是您正在寻找的格式，但它是正确的数据，XPATH 并不是真正用于格式化您的结果，因此在那里没有太多工作要做。