Python 从html检索尾部文本

使用lxml的python2.7

我有一些令人烦恼的html格式，如下所示：

<td>
<b>"John"
</b>
<br>
"123 Main st.
"
<br>
"New York
"
<b>
"Sally"
</b>
<br>
"101 California St.
"
<br>
"San Francisco
"
</td>

“约翰”


“主街123号。
"


“纽约
"
“莎莉”


“加利福尼亚街101号。
"


“旧金山
"

所以基本上它是一个单一的td，里面有很多东西。我正试图整理一份名单或是一份姓名和地址的记录

到目前为止，我所做的是使用

tree.xpath（'//td/b'）

获得一个具有名称的节点列表。假设我现在在John的

b

节点上

---

我正在尝试为当前节点之后但下一个

b

节点（Sally）之前的所有内容获取

whater.xpath（'string（）'）

。我尝试了一系列不同的xpath查询，但似乎都做不好。特别是，每当我在没有

[]

括号的表达式中使用

和
运算符时，它都会返回一个bool，而不是满足条件的所有节点的列表。有人能帮忙吗？
从每个td的角度来看，什么不使用getchildren函数。例如：

from lxml import html

s = """
<td>
<b>"John"
</b>
<br>
"123 Main st.
"
<br>
"New York
"
<b>
"Sally"
</b>
<br>
"101 California St.
"
<br>
"San Francisco
"
</td>
"""

records = []
cur_record = -1
cur_field = 1

FIELD_NAME = 0
FIELD_STREET = 1
FIELD_CITY = 2

doc = html.fromstring(s)
td = doc.xpath('//td')[0]
for child in td.getchildren():
    if child.tag == 'b':
        cur_record += 1
        record = dict()
        record['name'] = child.text.strip()
        records.append(record)
        cur_field = 1
    elif child.tag == 'br':
        if cur_field == FIELD_STREET:
            records[cur_record]['street'] = child.tail.strip()
            cur_field += 1
        elif cur_field == FIELD_CITY:
            records[cur_record]['city'] = child.tail.strip()

注意：如果要获取某些非关闭html标记的文本，例如，

，则应使用
tag.tail

希望这会有所帮助。
这应该可以：

from lxml import etree

p = etree.HTMLParser()
html = open(r'./test.html','r')
data = html.read()
tree = etree.fromstring(data, p)

my_dict = {}

for b in tree.iter('b'):
    br = b.getnext().tail.replace('\n', '')
    my_dict[b.text.replace('\n', '')] = br

print my_dict

此代码打印：

{'"John"': '"123 Main st."', '"Sally"': '"101 California St."'}

（您可能希望去掉引号！）

不必使用xpath，您可以使用lxml的一个解析器来轻松浏览HTML。解析器将把HTML文档转换为“etree”，您可以使用提供的方法导航它。lxml模块提供了一个名为
iter（）
的方法，该方法允许您传入标记名并接收树中具有该名称的所有元素。在您的情况下，如果您使用它来获取所有
元素，那么您可以手动导航到

元素并检索包含所需信息的尾部文本。您可以在
的“Elements contain text”（元素包含文本）标题中找到这方面的信息，因为筛选符合表达式的元素是方括号所做的事情，您为什么不希望使用它们（假设您的
和

正在向表达式添加条件，这就是它的用途）？您是否可以展示您尝试过的内容，特别是您如何尝试使用

和

？…您当前的答案就其本身而言是不错的，但它们不太可能帮助在座的人解决您在标题中提出的相同问题（尝试对XPath查询应用多个条件）；如果您添加了更多信息，应该可以回答这个名义上的问题。相比之下，如果你不感兴趣的话，你可以考虑编辑标题标题，以更好地反映你真正关心的内容。我也建议更改标题，也许类似于“从HTML中检索尾文本”，因为这是问题的核心所在。不知怎的，我从来没有学过如何处理休息的

tail

，但它太神奇了！谢谢没问题，老实说，我自己才知道！因为我每天都在工作中使用XML，所以这对我来说也是一次很好的学习经历。

{'"John"': '"123 Main st."', '"Sally"': '"101 California St."'}