数据清洗：利用lxml移除html中的元素

有一段html文本

    
        这是标题
    
    
        这是内容
        要移除的内容
    

我希望把

移除

安装lxml

pip install lxml

代码实例

# -*- coding: utf-8 -*-

from lxml import etree

text = """

    
        这是标题
    
    
        
这是内容
        
要移除的内容
    
"""

tree = etree.fromstring(text)

# 返回一个列表
remove_tags = tree.xpath('//div[last()]')

if remove_tags:
    remove_tag = remove_tags[0]
    remove_tag.getparent().remove(remove_tag)

print(etree.tounicode(tree))
"""

    
        这是标题
    
    
        
这是内容
        

"""

最后也实现了我的要求，可以封装为单独的函数，以便调用

from lxml import html, etree


def remove_elements(html, xpath):
    """
    移除html 文本中的元素
    :param html: str
    :param xpath: str
    :return: str
    """
    # tree = etree.fromstring(html)
	tree = html.fragment_fromstring(f'
{text}
')
	
    # 返回一个列表
    remove_tags = tree.xpath(xpath)

    for remove_tag in remove_tags:
        remove_tag.getparent().remove(remove_tag)

    return etree.tounicode(tree)


if __name__ == '__main__':
    text = """
    
        
            这是标题
        
        
            
这是内容
            
要移除的内容
        
    """

    print(remove_elements(text, '//div[last()]'))

参考 https://lxml.de/tutorial.html