python - 如何从html中提取文本并在需要的地方添加空格？

Question

我正在使用这个答案来清理 HTML 文件。

Remove all javascript tags and style tags from html with python and the lxml module

它在删除所有 html、脚本和样式标签方面做得很好，但是如果文本中没有空格，则清理器不会添加空格。对于诸如没有空格的菜单之类的东西来说，这是一个问题，因此它会显示为一个单词，因为它们都一起运行。

关于如何防止这种情况、添加空格或其他什么有什么想法吗？谢谢

Answer 1

一个相对简洁的方法是

import lxml.html
from lxml import etree

html = "<div>Test</div><div>Test 2</div>"
document = lxml.html.document_fromstring(html)
text = " ".join(etree.XPath("//text()")(document))

(另请参阅 https://stackoverflow.com/a/23929354/4240413 )