lxml.etree, element.text no devuelve el texto completo de un elemento

Question

Eliminé algunos html a través de xpath, que luego convertí en un etree. Algo similar a esto:

<td> text1 <a> link </a> text2 </td> 

pero cuando llamo element.text, solo me dan Text1 (Debe estar allí, cuando compruebo mi consulta en FireBug, el texto de los elementos se destaca, tanto en el texto antes y después de los elementos de anclaje integrados ...

Answer 1

uso element.xpath("string()") o lxml.etree.tostring(element, method="text") -.. ver the documentation

Answer 2

parece un error lxml a mí, pero de acuerdo con el diseño si usted lee la documentación he resuelto como este :

def node_text(node): 
    if node.text: 
     result = node.text 
    else: 
     result = '' 
    for child in node: 
     if child.tail is not None: 
      result += child.tail 
    return result 

Answer 3

def get_text_recursive(node): 
    return (node.text or '') + ''.join(map(get_text_recursive, node)) + (node.tail or '') 

Answer 4

Como un servicio público a la gente que puede ser tan vago como yo. Aquí hay un código de arriba que puedes ejecutar.

from lxml import etree 

def get_text1(node): 
    result = node.text or "" 
    for child in node: 
     if child.tail is not None: 
      result += child.tail 
    return result 

def get_text2(node): 
    return ((node.text or '') + 
      ''.join(map(get_text2, node)) + 
      (node.tail or '')) 

def get_text3(node): 
    return (node.text or "") + "".join(
     [etree.tostring(child) for child in node.iterchildren()]) 


root = etree.fromstring(u"<td> text1 <a> link </a> text2 </td>") 

print root.xpath("string()") 
print root.xpath("text()") 
print get_text1(root) 
print get_text2(root) 
print etree.tostring(root, method = "text") 
print etree.tostring(root, method = "xml") 
print get_text3(root) 

de salida es:

snowy:rpg$ python test.py 
text1 link text2 
[' text1 ', ' text2 '] 
text1 text2 
text1 link text2 
text1 link text2 
<td> text1 <a> link </a> text2 </td> 
text1 <a> link </a> text2 

Answer 5

<td> text1 <a> link </a> text2 </td> 

Así es como es (espacio en blanco ignorando):

td.text == 'text1' 
a.text == 'link' 
a.tail == 'text2' 

Si no desea que un texto que está dentro de los elementos secundarios a continuación usted podría recoger solo sus colas:

text = td.text + ''.join([el.tail for el in td]) 

Answer 6

Otra cosa que parece estar funcionando bien para obtener el texto de un elemento es "".join(element.itertext())

Answer 7

Si el element es igual a <td>. Puedes hacer lo siguiente.

element.xpath('.//text()') 

Se le dará una lista de todos los elementos de texto desde self (el significado del punto). // significa que tomará todos los elementos y finalmente text() es la función para extraer texto.

Answer 8

element.xpath('normalize-space()') also works.