python怎么用lxml处理

Question

例如：

<p>
没
<em><!--red_beg-->aa<!--red_end--></em>
</p>
<p>
没
<em><!--red_beg-->aa<!--red_end--></em>
没
<em><!--red_beg-->aa<!--red_end--></em>
</p>
<p>
没
</p>

就是在p标签里可能会出现同样的em标签，而且数量不定，那我怎么获取p的内容，包括em里的内容。
例如第二个p获取输出是‘没aa没aa’

或者获取到p节点之后，怎么把里面的内容转换为字符串

Answer 1

今天偶然学到处理这个问题的方法，特意翻出来这个问题回答。题主你可以看一下xpath的轴，比如你要取得第二个<p>标签的“没aa没aa”，实际是取得它全部后代节点的文本内容，可以使用
element_dom.xpath("//p[2]//descendant::text()")来取得，拿到的结果是一个这样['没', 'aa', '没', 'aa']的list,然后自己手动拼接成字符串就可以了，比如"".join(list)。同理，如果你需要进行其他操作，也可以使用类似的方法。

Answer 2

换bs4，string和text之间的异同就在这里。

Answer 3

lxml.html的.text_content()方法，可以获取当前节点和所有子节点的文本内容。