Разрыв XML-тегов с модулем lxml

Question

Я пытаюсь разбить теги (на одной строке), чтобы я мог печатать разные теги и содержимое на разных строках, игнорируя <br>.

Фрагмент нескольких строк содержания Я пытаюсь разделиться.

<stats>+40 Ability Power<br>+25 Magic Resist<br>+20% Cooldown Reduction<br><mana>+75% Base Mana Regen </mana></stats><br><br><unique>UNIQUE Passive:</unique> Gain 20% of the <a href='premitigation'><font color='#6666FF'><u>premitigation</u></font></a> damage dealt to champions as Blood Charges, up to <levelScale>100 - 250</levelScale> max. Healing or shielding another ally consumes charges to heal them, up to the original effect amount.<br><unique>UNIQUE Passive - Harmony:</unique> Grants bonus % Base Health Regen equal to your bonus % Base Mana Regen.<br><br><rules>(Maximum amount of Blood Charges stored is based on level. Healing amplification is applied to the total heal value.)</rules> 
<stats>+10% Critical Strike Chance</stats> 
<stats>+45 Attack Damage<br>+10% Life Steal</stats><br><br><unique>UNIQUE Passive:</unique> Basic attacks grant +6 Attack Damage and +1% Life Steal for 8 seconds on hit (effect stacks up to 5 times). 
<stats>+300 Health<br>+50 Attack Damage<br>+20% Cooldown Reduction</stats><br><br><unique>UNIQUE Passive:</unique> Dealing physical damage to an enemy champion Cleaves them, reducing their Armor by 5% for 6 seconds (stacks up to 6 times, up to 30%).<br><unique>UNIQUE Passive - Rage:</unique> Dealing physical damage grants 20 movement speed for 2 seconds. Assists on Cleaved enemy champions or kills on any unit grant 60 movement speed for 2 seconds instead. This Movement Speed is halved for ranged champions. 

Но когда я пытаюсь разбора XML-как строка из lxml модуля.

root = etree.Element(string) 

Это дает мне ошибку:

ValueError: Invalid tag name "<stats>+40 Attack Damage<br>+80 Ability Power</stats><br><br><unique>UNIQUE Passive:</unique> Heal for 15% of damage dealt. This is 33% as effective for Area of Effect damage.<br><active>UNIQUE Active - Lightning Bolt:</active> Deals 250 (+30% of Ability Power) magic damage and slows the target champion's Movement Speed by 40% for 2 seconds (40 second cooldown, shared with other <font color='#9999FF'><a href='itembolt'>Hextech</a></font> items)." 

Answer 1

вход вы показываете не является XML. XML-синтаксический анализатор не сможет прочитать это.

Использование парсера HTML, они принимают более широкий диапазон ввода. См. http://lxml.de/parsing.html#parsing-html.

from lxml import etree 
from io import StringIO 

test_string = "<stats>+40 Ability Power<br>+25 Magic Resist<br>+20% Cooldown Reduction<br><mana>+75% Base Mana Regen </mana></stats><br><br><unique>UNIQUE Passive:</unique> Gain 20% of the <a href='premitigation'><font color='#6666FF'><u>premitigation</u></font></a> damage dealt to champions as Blood Charges, up to <levelScale>100 - 250</levelScale> max. Healing or shielding another ally consumes charges to heal them, up to the original effect amount.<br><unique>UNIQUE Passive - Harmony:</unique> Grants bonus % Base Health Regen equal to your bonus % Base Mana Regen.<br><br><rules>(Maximum amount of Blood Charges stored is based on level. Healing amplification is applied to the total heal value.)</rules>" 
html_file = StringIO(test_string) 

parser = etree.HTMLParser() 
doc = etree.parse(html_file, parser) 

print(doc) 
# prints: <lxml.etree._ElementTree object at 0x03036A58> 

После этого вы можете искать и изменять дерево документов всеми способами, предлагаемыми lxml.

Примечание: StringIO необходим только для примера выше, чтобы можно было использовать строку как файл. Если у вас уже есть файл, вам не нужен StringIO. Просто используйте файл напрямую.

Если вы действительно ищете решение для очистки веб-страниц, посмотрите на библиотеку, которая это делает. Scrapy и pyQuery приходят на ум, они будут делать все синтаксические разборки для вас и предлагают более удобный интерфейс для доступа к данным на странице.