我正在尝试从网页中捕获一些文本(运行脚本时会传递其URL),但它隐藏在段落标签中,没有分配其他属性。 我可以收集每个段落标签的内容,但我想从树中删除包含任何关键字列表的任何元素。
我收到以下错误:
tree.remove(elem) TypeError: 参数 'element' 的类型不正确 (预计lxml.etree._Element,得到_ElementStringResult)
我知道当我尝试遍历树时我得到的是错误的类型,但是我如何获取元素呢?
示例代码:
#!/usr/bin/python
from lxml import html
from lxml import etree
url = sys.argv[1]
page = requests.get(url)
tree = html.fromstring(page.content)
terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
paragraphs = tree.xpath('//p/text()')
for elem in paragraphs:
if any(term in elem for term in terms):
tree.remove(elem)
在您的代码中,elem
是一个实例方法getparent
的_ElementStringResult
。其父级是其中一个<p>
节点的Element
对象。
父级有一个remove
方法,可用于将其从树中删除:
element.getparent().remove(element)
我不相信有更直接的方法,对于为什么没有removeself
方法,我没有一个很好的答案。
使用示例 html:
content = '''
<root>
<p> nothing1 </p>
<p> keyword1 </p>
<p> nothing2 </p>
<p> nothing3 </p>
<p> keyword4 </p>
</root>
'''
您可以使用以下方法在代码中看到此操作:
from lxml import html
from lxml import etree
tree = html.fromstring(content)
terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
paragraphs = tree.xpath('//p/text()')
for elem in paragraphs:
if any(term in elem for term in terms):
actual_element = elem.getparent()
actual_element.getparent().remove(actual_element)
for child in tree.getchildren():
print('<{tag}>{text}</{tag}>'.format(tag=child.tag, text=child.text))
# Output:
# <p> nothing1 </p>
# <p> nothing2 </p>
# <p> nothing3 </p>
从评论中可以看出,这段代码似乎不适合您。如果是这样,您可能需要提供有关 html 结构的更多信息。