問題描述

例如：

<p>沒<em><!--red_beg-->aa<!--red_end--></em></p><p>沒<em><!--red_beg-->aa<!--red_end--></em>沒<em><!--red_beg-->aa<!--red_end--></em></p><p>沒</p>

就是在p標簽里可能會出現同樣的em標簽，而且數量不定，那我怎么獲取p的內容，包括em里的內容。例如第二個p獲取輸出是‘沒aa沒aa’

或者獲取到p節點之后，怎么把里面的內容轉換為字符串

問題解答

今天偶然學到處理這個問題的方法，特意翻出來這個問題回答。題主你可以看一下xpath的軸，比如你要取得第二個<p>標簽的“沒aa沒aa”，實際是取得它全部后代節點的文本內容，可以使用element_dom.xpath('//p[2]//descendant::text()')來取得，拿到的結果是一個這樣[’沒’, ’aa’, ’沒’, ’aa’]的list,然后自己手動拼接成字符串就可以了，比如''.join(list)。同理，如果你需要進行其他操作，也可以使用類似的方法。

換bs4，string和text之間的異同就在這里。

lxml.html的.text_content()方法，可以獲取當前節點和所有子節點的文本內容。