使用正则表达式 returns a lxml.etree._ElementUnicodeResult 应用 root.xpath()

Question

我正在生成一个模型来找出一段文本在 HTML 文件中的位置。

因此，我有一个数据库，其中包含来自不同报纸文章的大量数据，其中包含标题、发布日期、作者和新闻文本等数据。我想做的是通过分析这些数据，生成一个模型，该模型可以自行找到包含此内容的 HTML 标签的 XPath。

问题是当我在 xpath 方法中使用正则表达式时，如下所示：

from lxml import html

with open('somecode.html', 'r') as f:
    root = html.fromstring(f.read())

list_of_xpaths = root.xpath('//*/@*[re:match(.,"2019-04-15")]')

这是在代码中搜索发布日期的示例。它 return 是 lxml.etree._ElementUnicodeResult 而不是 lxml.etree._Element。

不幸的是，在应用 root.getroottree().getpath(list_of_xpaths[0]).

之后，这种类型的元素不允许我像 lxml.etree._Element 那样获取它所在位置的 XPath

有没有办法获取此类元素的 XPath？怎么样？

有没有办法用正则表达式 return 和 lxml.etree._ElementUnicodeResult 元素代替 lxml？

Answer 1

问题是您得到一个 属性值 表示为 _ElementUnicodeResult class.

的一个实例

如果我们反省 _ElementUnicodeResult class 提供的内容，我们可以看到它允许您通过 .getparent() 方法访问具有此属性的元素：

attribute = list_of_xpaths[0]
element = attribute.getparent()

print(root.getroottree().getpath(element))

这会给我们一个元素的路径，但由于我们还需要一个属性名称，我们可以这样做：

print(attribute.attrname)

然后，要获取指向元素属性的完整 xpath，我们可以使用：

path_to_element = root.getroottree().getpath(element)
attribute_name = attribute.attrname

complete_path = path_to_element + "/@" + attribute_name
print(complete_path)

仅供参考，_ElementUnicodeResult 还通过 .is_attribute 属性指示这是否实际上是一个属性（因为这个 class 也代表文本节点和尾部）。

使用正则表达式 returns a lxml.etree._ElementUnicodeResult 应用 root.xpath()

Applying root.xpath() with regex returns a lxml.etree._ElementUnicodeResult

python

regex

lxml

html-parsing