python - 如何使用 lxml 仅检索可见节点文本

Question

如何使用Python包lxml检索节点中的可见文本，不包括任何子节点或隐藏元素？

我在文档中只能找到 node.text_content()，但所做的只是去掉 html 标签，返回所有深度的所有文本，而不考虑可见性。我还尝试了 node.text，但这似乎只是为所有节点返回 None。

Answer 1

您可以使用 xpath 来提取您需要的文本。由于您只需要可见文本，请将 /text() 放在您的 xpath 中。

例如，如果我需要提取你的第二段:

import requests
from lxml import etree
r = requests.get("https://stackoverflow.com/questions/32029681/how-to-retrieve-only-visible-node-text-with-lxml")
html = etree.HTML(r.text)
list_of_text = html.xpath('//*[@id="question"]/div[2]/div[2]/div[1]/p//text()') #xpath copied from browser
''.join(list_of_text)

您将获得:

'How do you use the Python package lxml to retrieve visible text in a node, excluding any child nodes or hidden elements?All I can find in the docs is node.text_content(), but all that does is strip out html tags, returning all text at all depths regardless of visibility. I also tried node.text, but that seems to just return None for all nodes.'

请注意，//text() 与 /text() 略有不同，它将选择父节点到最后一个子节点之间的任何节点。