时间戳

首页 > 解决方案 > 剥离一些标签并重命名它们

python - 剥离一些标签并重命名它们

问题描述

使用 lxml 库，拥有这个 doc xml 文件，我想剥离一些标签并重命名它们：doc.xml

<html>
    <body>
        <h5>Fruits</h5>
        <div>This is some <span attr="foo">Text</span>.</div>
        <div>Some <span>more</span> text.</div>
        <h5>Vegetables</h5>
        <div>Yet another line <span attr="bar">of</span> text.</div>
        <div>This span will get <span attr="foo">removed</span> as well.</div>
        <div>Nested elements <span attr="foo">will <b>be</b> left</span> alone.</div>
        <div>Unless <span attr="foo">they <span attr="foo">also</span> match</span>.</div>
    </body>
</html>

而不是 html,body 将所有内容包装在“p tag”中，而不是让 h5 和每个 div 使用 lxml 将所有内容作为示例包装如下：我的问题是如何从一种格式以下面的格式包装所有内容？

<p>
<h5 title='Fruits'> 
<div>This is some <span attr='foo'>Test</span>.</div>
<div>Some<span>more</span>text.</div>
</h5>
<h5 title='Vegetables'>
<div>Yet another line <span attr='bar'>of</span>text.</div>
....
</h5>
</p>

使用 lxml，剥离标签：

tree = etree.tostring(doc.xml)
tree1 = lxml.html.fromstring(tree)
etree.strip_tags(tree1, 'body')

有人对此有任何想法吗？

标签： python

解决方案

  • 创建一个只有标签的新文档。<p>
  • 迭代<body>原始文档中标记的后代。
    • 将标签从原始文档添加到新文档 - 作为其<p>标签 的后代
      • 如果遇到<h5>标签；将<h5>标签添加到<p>标签
        • 并将后续标签作为后代添加到它（<h5>）

推荐阅读