Python从精确位置获取HTML元素/节点/标记
我有一个很长的html文档，我知道其中某些文本的确切位置。例如：Python从精确位置获取HTML元素/节点/标记,python,html,python-3.x,Python,Html,Python 3.x,我有一个很长的html文档，我知道其中某些文本的确切位置。例如： <html> <body> <div> <a> <b> I know the exact position of this text </b> <i> Another text </i> </
<html>
<body>
<div>
<a>
<b>
I know the exact position of this text
</b>
<i>
Another text
</i>
</a>
</div>
</body>
</html>
我知道这篇文章的确切位置
另一个文本
XPathxml.etree.elementtreeimport xml.etree.elementtree as ET
tree = ET.parse('xmlfile')
root = tree.get(root)
myEle = root.findall(".//*[b]")
myElebmyEle = root.findall(".//b")
amyEle = root.findall(".//a//")
myEle = root.findall('.//*[a]//*')[1:]
有关XPath的更多信息，请参见此处：您可以将整个HTML文档的内容作为字符串读取。然后，您可以使用标记（具有唯一id的HTML锚元素）获取修改后的字符串，并使用
xml.etree.ElementTreedata.html#!python3
import xml.etree.ElementTree as ET
fname = 'doc.html'
pos = 64
with open(fname, encoding='utf-8') as f:
content = f.read()
# The position_id will be used in XPath, the position_anchor
# uses the variable only for readability. The position anchor
# has the form of an HTML element to be found easily using
# the XPath expression.
position_id = 'my_unique_position_{}'.format(pos)
position_anchor = '<a id="{}" />'.format(position_id)
# The modified content has one extra anchor as the position marker.
modified_content = content[:pos] + position_anchor + content[pos:]
root = ET.fromstring(modified_content)
ET.dump(root)
print('----------------')
# Now some examples for getting the info around the point.
# '.' = from here; '//' = wherever; 'a[@id=...]' = anchor (a) element
# with the attribute id with the value.
# We will not use it later -- only for demonstration.
anchor_element = root.find('.//a[@id="{}"]'.format(position_id))
ET.dump(anchor_element)
print('----------------')
# The text at the original position -- the text became the tail
# of the element.
print(repr(anchor_element.tail))
print('================')
# Now, from scratch, get the nearest parent from the position.
parent = root.find('.//a[@id="{}"]/..'.format(position_id))
ET.dump(parent)
print('----------------')
# ... and the anchor element (again) as the nearest child
# with the attributes.
anchor = parent.find('./a[@id="{}"]'.format(position_id))
ET.dump(anchor)
print('----------------')
# If the marker split the text, part of the text belongs to
# the parent, part is the tail of the anchor marker.
print(repr(parent.text))
print(repr(anchor.tail))
print('----------------')
# Modify the parent to remove the anchor element (to get
# the original structure without the marker. Do not forget
# that the text became the part of the marker element as the tail.
parent.remove(anchor)
parent.text += anchor.tail
ET.dump(parent)
print('----------------')
# The structure of the whole document now does not contain
# the added anchor marker, and you get the reference
# to the nearest parent.
ET.dump(root)
print('----------------')
#！蟒蛇3
将xml.etree.ElementTree作为ET导入
fname='doc.html'
位置=64
将open（fname，encoding='utf-8'）作为f：
content=f.read（）
#position\u id将在XPath中使用，即position\u锚点
#仅为可读性使用变量。定位锚
#具有HTML元素的形式，可以使用
#XPath表达式。
position\u id='my\u unique\u position{}'。格式（pos）
位置锚=''。格式（位置id）
#修改后的内容有一个额外的锚点作为位置标记。
修改内容=内容[：位置]+位置锚定+内容[位置]
root=ET.fromstring（修改的内容）
ET.dump（根目录）
打印（'-------------'）
#现在，我们来举几个例子来了解这一点。
#'.'=从这里开始；'/'=无论在哪里；'[@id=…]'=锚点（a）元素
#属性id的值。
#稍后我们将不使用它——仅用于演示。
anchor_element=root.find（'.//a[@id=“{}”]'.format（position_id））
ET.dump（锚定元素）
打印（'-------------'）
#原始位置的文本--文本成为尾部
#元素的属性。
打印（报告（锚定元素尾部））
打印（'======================'）
#现在，从头开始，从该位置获取最近的父对象。
parent=root.find（'.//a[@id=“{}”]/...format（position_id））
ET.dump（父级）
打印（'-------------'）
# ... 和锚元素（再次）作为最近的子元素
#使用属性。
anchor=parent.find（'./a[@id=“{}”]'.format（position_id））
ET.dump（锚定）
打印（'-------------'）
#如果标记拆分文本，则部分文本属于
#父零件是定位标记的尾部。
打印（repr（parent.text））
打印（报告（锚定尾部））
打印（'-------------'）
#修改父元素以删除锚元素（以获取
#没有标记的原始结构。不要忘记
#文本作为尾部成为标记元素的一部分。
父对象。移除（锚定）
parent.text+=anchor.tail
ET.dump（父级）
打印（'-------------'）
#整个文档的结构现在不包含
#添加了锚标记，您将获得引用
#给最近的父母。
ET.dump（根目录）
打印（'-------------'）
c:\_Python\Dejwi\so25370255>a.py
<html>
<body>
<div>
<a>
<b>
I know<a id="my_unique_position_64" /> the exact position of this text
</b>
<i>
Another text
</i>
</a>
</div>
</body>
</html>
----------------
<a id="my_unique_position_64" /> the exact position of this text
----------------
' the exact position of this text\n '
================
<b>
I know<a id="my_unique_position_64" /> the exact position of this text
</b>
----------------
<a id="my_unique_position_64" /> the exact position of this text
----------------
'\n I know'
' the exact position of this text\n '
----------------
<b>
I know the exact position of this text
</b>
----------------
<html>
<body>
<div>
<a>
<b>
I know the exact position of this text
</b>
<i>
Another text
</i>
</a>
</div>
</body>
</html>
----------------
c:\\u Python\devwi\so25370255>a.py
我知道这篇文章的确切位置
另一个文本
----------------
这篇文章的确切位置
----------------
'此文本的确切位置\n'
================
我知道这篇文章的确切位置
----------------
这篇文章的确切位置
----------------
“\n我知道”
'此文本的确切位置\n'
----------------
我知道这篇文章的确切位置
----------------
我知道这篇文章的确切位置
另一个文本
----------------
findall（“../b”）myEles=root.findall（“../b”）来获取myEles中的ele:if ele.text.strip（）！=''：#做点什么：if item.text！=''