Python 根据术语列表从树中删除元素

我试图从网页（运行脚本时会传递其URL）捕获一些文本，但这些文本隐藏在段落标记中，没有指定其他属性。我可以收集每个段落标记的内容，但我想从树中删除包含任何关键字列表的任何元素

我得到以下错误：

tree.remove（elem）类型错误：参数“element”的类型不正确 （应为lxml.etree._元素，获得_元素StringResult）

我知道当我尝试遍历树时得到的是错误的类型，但是如何取而代之的是元素呢

示例代码：

    #!/usr/bin/python

    from lxml import html
    from lxml import etree

    url = sys.argv[1]
    page = requests.get(url)
    tree = html.fromstring(page.content)

    terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
    paragraphs = tree.xpath('//p/text()')
    for elem in paragraphs:
        if any(term in elem for term in terms):
            tree.remove(elem) 

---

在您的代码中，

elem

是一个包含实例方法

getparent

。它的父元素是一个

节点的

元素

对象

父级有一个

remove

方法，可用于将其从树中删除：

element.getparent().remove(element)

我不相信有更直接的方法，对于为什么没有

removeself

方法，我也没有一个好的答案

使用示例html：

content = '''
<root>
    <p> nothing1 </p>
    <p> keyword1 </p>
    <p> nothing2 </p>
    <p> nothing3 </p>
    <p> keyword4 </p>
</root>
'''

content=''
什么都没有

关键词1

什么都没有

什么都没有

关键词4

'''

您可以通过以下方式在代码中看到这一点：

from lxml import html
from lxml import etree

tree = html.fromstring(content)

terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
paragraphs = tree.xpath('//p/text()')
for elem in paragraphs:
    if any(term in elem for term in terms):
        actual_element = elem.getparent() 
        actual_element.getparent().remove(actual_element)

for child in tree.getchildren():
    print('<{tag}>{text}</{tag}>'.format(tag=child.tag, text=child.text))

# Output:
# <p> nothing1 </p>
# <p> nothing2 </p>
# <p> nothing3 </p>

从lxml导入html
从lxml导入etree
tree=html.fromstring（内容）
术语=['keyword1'、'keyword2'、'keyword3'、'keyword4'、'keyword5'、'keyword6'、'keyword7']
段落=tree.xpath（“//p/text（）”）
对于段落中的元素：
如有（以要素表示的术语，以术语表示的术语）：
实际_元素=elem.getparent（）
实际\u元素。getparent（）.remove（实际\u元素）
对于树中的子级。getchildren（）
打印（{text}.format（tag=child.tag，text=child.text））
#输出：
#什么都没有1

#什么都没有2

#什么都没有

---

从评论来看，这段代码似乎不适合您。如果是这样，您可能需要提供有关html结构的详细信息。

可能的重复项我无法获取_ElementStringResult的父项，因为getparent（）需要一个_元素。@user2912466是否尝试过？我这样做了，但解决方案带来了两个问题：首先，它抱怨元素不是节点的子元素，因为树中每个段落标记的父元素都是“”，但它只捕获第一个单词。其次，这个例子只有在有一个段落标记的情况下才有效，但是我捕获了所有的段落标记，然后删除了特定的段落标记。在本例中，body起作用是因为只有一个body，所以当您删除该元素时，其他元素都不会消失。但是如果我

p.getparent（）.remove（p）

，它将删除所有段落元素。我该怎么处理呢？@user2912466它不会删除所有元素，它只会删除

p

@user2912466查看更新的答案，我想你需要调用

getparent

两次；第一次获取

节点，第二次获取其父节点。