अजगर, lxml और lxml.html.tostring (एल)

Question

का उपयोग करने से बाहरी टैग को हटाने मैं नीचे का उपयोग कर रहा एक वर्ग के HTML सामग्री के सभी प्राप्त करने के लिए एक डेटाबेस

el = doc.get_element_by_id('productDescription') 
lxml.html.tostring(el) 

उत्पाद विवरण के लिए बचाने के लिए

<div id='productDescription'> 

    <THE HTML CODE I WANT> 

</div> 

कोड अच्छा काम करता है, मुझे एचटीएमएल कोड के सभी देता है, लेकिन मैं यानी <div id='productDescription'> और बंद टैग </div> बाहरी परत कैसे निकालूँ: एक टैग है कि इस तरह दिखता है है?

Answer 1

आप व्यक्तिगत रूप से स्ट्रिंग के लिए प्रत्येक बच्चे को परिवर्तित कर सकते हैं:

text = el.text 
text += ''.join(map(lxml.html.tostring, el.iterchildren())) 

या और भी अधिक hackish तरह से:

el.attrib.clear() 
el.tag = '|||' 
text = lxml.html.tostring(el) 
assert text.startswith('<'+el.tag+'>') and text.endswith('</'+el.tag+'>') 
text = text[len('<'+el.tag+'>'):-len('</'+el.tag+'>')] 

Answer 2

अगर आपके productDescriptiondiv div शामिल मिश्रित पाठ/तत्वों सामग्री, उदा

<div id='productDescription'> 
    the 
    <b> html code </b> 
    i want 
</div> 

आप सामग्री (स्ट्रिंग में) प्राप्त कर सकते हैं xpath('node()') ट्रेवर्सल का उपयोग कर:

s = '' 
for node in el.xpath('node()'): 
    if isinstance(node, basestring): 
     s += node 
    else: 
     s += lxml.html.tostring(node, with_tail=False) 

Answer 3

यहाँ एक समारोह करता है कि तुम क्या चाहते है।

def strip_outer(xml): 
    """ 
    >>> xml = '''<math xmlns="http://www.w3.org/1998/Math/MathML" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.w3.org/1998/Math/MathML   http://www.w3.org/Math/XMLSchema/mathml2/mathml2.xsd"> 
    ... <mrow> 
    ...  <msup> 
    ...  <mi>x</mi> 
    ...  <mn>2</mn> 
    ...  </msup> 
    ...  <mo> + </mo> 
    ...  <mi>x</mi> 
    ... </mrow> 
    ... </math>''' 
    >>> so = strip_outer(xml) 
    >>> so.splitlines()[0]=='<mrow>' 
    True 

    """ 
    xml = xml.replace('xmlns=','xmlns:x=')#lxml fails with xmlns= attribute 
    xml = '<root>\n'+xml+'\n</root>'#...and it can't strip the root element 
    rx = lxml.etree.XML(xml) 
    lxml.etree.strip_tags(rx,'math')#strip <math with all attributes 
    uc=lxml.etree.tounicode(rx) 
    uc=u'\n'.join(uc.splitlines()[1:-1])#remove temporary <root> again 
    return uc.strip() 

Answer 4

regexp का उपयोग करें।

def strip_outer_tag(html_fragment): 
    import re 
    outer_tag = re.compile(r'^<[^>]+>(.*?)</[^>]+>$', re.DOTALL) 
    return outer_tag.search(html_fragment).group(1) 

html_fragment = strip_outer_tag(tostring(el, encoding='unicode')) # `encoding` is optionaly