0

Имеется HTML (game_descriptions):

<h2>Об этой игре</h2>
Игроки избивают, пистолет и побеждают в этом последнем стоящем 
PvP-шутере, установленном в пост-апокалиптической пустоши. Ваш 
автомобиль - ваш жизненный путь, ваше самое большое оружие, самая 
сильная броня и ваш лучший шанс опередить смертельный посягающий шторм!
<h2 class="bb_tag">ПОСЛЕДНИЙ ОДИН ПОСТОЯННЫЙ</h2><br>Звук
 вашего сердца колотится, заглушается только ревом двигателя. Вы заняли 
свое место в кругу смерти в центре апокалиптической пустоши. Вы ждете, 
когда только ваша ржавая металлическая поездка, чтобы защитить себя. Там
 лежит оружие, снаряжение и топливо, которые вам нужно, чтобы заработать
 пропитанную кровью победу...

Необходимо удалить первый h2.

Код:

h2 = game_descriptions.cssselect('h2')[0]
game_descriptions.remove(h2)

Но вместе с h2 удаляется и этот текст, который идет после него:

Игроки избивают, пистолет и побеждают в этом последнем стоящем 
PvP-шутере, установленном в пост-апокалиптической пустоши. Ваш 
автомобиль - ваш жизненный путь, ваше самое большое оружие, самая 
сильная броня и ваш лучший шанс опередить смертельный посягающий шторм!

Я что-то не понял, ведь h2 закрылся, по сути текст относится к родительскому элементу. Но он тоже удаляется.

16
  • Не проще просто удалить "<h2>Об этой игре</h2>"? html_text = html_text.replace('<h2>Об этой игре</h2>', '')
    – gil9red
    31 июл 2018 в 8:48
  • Интересно, что если вывести h2_game_descriptions, то там и будет текст после </h2>. Но если добавить <br> после </h2>, то будет ожидамый результат
    – gil9red
    31 июл 2018 в 8:55
  • @gil9red к первому сообщению: games_descriptions = game_descriptions.replace('<h2>Об этой игре</h2>', '') TypeError: Argument 'old_element' has incorrect type (expected lxml.etree._Element, got str)
    – danilshik
    31 июл 2018 в 9:01
  • Забыл уточнить: необходимо сохранить все html-теги
    – danilshik
    31 июл 2018 в 9:01
  • К 2 сообщению в том то и суть. В Firefox посмотрел, там нет br, сохранил страницу на комп, и открыл в редакторе, но его там тоже нет, хотя смотря оформлению текста там он как будто есть. Можете сами посмотреть: store.steampowered.com/app/751240/Fractured_Lands
    – danilshik
    31 июл 2018 в 9:09

1 ответ 1

2

Дело в том, что lxml, в отличие от браузеров с их Text Node, не заводит отдельных элементов для простых кусков текста — они прикрепляются к ближайшему предыдущему элементу:

>>> import lxml.html

>>> node = lxml.html.fragments_fromstring('<div><h2>Заголовок</h2>Текст1<br/>Текст2</div>')[0]
>>> node
<Element div at 0x7f8d41070a98>
>>> h2 = node.find('h2')

# Текст внутри h2
>>> h2.text
'Заголовок'

# Текст *СПРАВА* от h2
>>> h2.tail
'Текст1'

# tostring для h2 выдаёт странное
>>> lxml.html.tostring(h2, encoding='unicode')
'<h2>Заголовок</h2>Текст1'

# Вместе с удалением h2 удаляется и текст справа
>>> node.remove(h2)
>>> lxml.html.tostring(node, encoding='unicode')
'<div><br>Текст2</div>'

# То же самое и с br
>>> node.remove(node.find('br'))
>>> lxml.html.tostring(node, encoding='unicode')
'<div></div>'

Чтобы обойти эту проблему, придётся покостылять — запихнуть текст в tail предыдущего элемента или, если предыдущего элемента нет (как в вашем случае), в текст родительского:

def remove_keeping_tail(e):
    parent = e.getparent()
    prev = e.getprevious()
    if prev:
        # Если есть предыдущий элемент, то цепляем текст ему в хвост
        # (Я дописываю «or ''», потому что tail может быть None)
        prev.tail = (prev.tail or '') + (e.tail or '')
    else:
        # Если нету, то цепляем текст родителю
        parent.text = (parent.text or '') + (e.tail or '')
    # После спасения текста удаление абсолютно безопасно
    parent.remove(e)

>>> node = lxml.html.fragments_fromstring('<div><h2>Заголовок</h2>Текст1<br/>Текст2</div>')[0]
>>> node.text
None

>>> remove_keeping_tail(node.find('h2'))
>>> lxml.html.tostring(node, encoding='unicode')
'<div>Текст1<br>Текст2</div>'

>>> remove_keeping_tail(node.find('br'))
>>> lxml.html.tostring(node, encoding='unicode')
'<div>Текст1Текст2</div>'

>>> node.text
'Текст1Текст2'
12
  • Кстати, в английском SO есть вариант функции с проверками на None. Чья функция лучше, не знаю (но моя короче :)
    – andreymal
    31 июл 2018 в 11:33
  • как можно получить весь текст, с html - атрибутами, но без блока родителя?
    – danilshik
    31 июл 2018 в 12:35
  • До этого делал ''.join(to_string(child) for child in game_descriptions.iterchildren()), где def to_string(node): return lxml.html.tostring(node, encoding='unicode'). Но сейчас в ваших случаях данный способ не работает
    – danilshik
    31 июл 2018 в 12:36
  • @danilshik если я правильно понял, слева к вашему варианту просто приплюсуйте game_descriptions.text (не забудьте проверку на None)
    – andreymal
    31 июл 2018 в 12:37
  • Добавил код. Текущий вариант ответа при удалении h2. Необходимо удалить родительский блок <div id="game_area_description" class="game_area_description"></div>. Необходимо именно сохранить все html-теги внутри блока, если бы мне нужен только текст я бы воспользовался .text
    – danilshik
    31 июл 2018 в 12:48

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.