Python elementtree Compruebe el tipo de nodo / elemento

Question

Estoy utilizando elementtree y no puedo averiguar si el nodo hijo es texto o no. childelement.text no parece que el trabajo ya que da falsos positivos incluso en los nodos que no son nodos de texto.

¿Alguna sugerencia?

Ejemplo

<tr>
  <td><a href="sdas3">something for link</a></td>
  <td>tttttk</td>
  <td><a href="tyty">tyt for link</a></td>
</tr>

Después de analizar este archivo XML, hago esto en Python:

for elem_main in container_trs: #elem_main is each tr
    elem0 = elem_main.getchildren()[0] #td[0]
    elem1 = elem_main.getchildren()[1] #td[1]

    elem0 = elem_main.getchildren()[0]
    print elem0.text

    elem1 = elem_main.getchildren()[1]
    print elem1.text

El código anterior hace elem0.text no de salida; que está en blanco. Veo la elem1.text (es decir, tttttk ) en la salida.

Actualización 2

De hecho, estoy construyendo un diccionario. El texto del elemento con cada uno para que pueda ordenar la tabla HTML. ¿Cómo puedo obtener los s en este código?

Answer 1

Cómo sobre el uso del método getiterator para iterar a través de los todos los nodos descendientes:

import xml.etree.ElementTree as xee

content='''
<tr>
  <td><a href="sdas3">something for link</a></td>
  <td>tttttk</td>
  <td><a href="tyty">tyt for link</a></td>
</tr>
'''

def text_content(node):
    result=[]
    for elem in node.getiterator():
        text=elem.text
        if text and text.strip():
            result.append(text)
    return result

container_trs=xee.fromstring(content)
adict={}
for elem in container_trs:
    adict[elem]=text_content(elem)
print(adict)
# {<Element td at b767e52c>: ['tttttk'], <Element td at b767e58c>: ['tyt for link'], <Element td at b767e36c>: ['something for link']}

Los itera for elem_main in container_trs: bucle a través de los hijos de cantainer_trs.

En contraste, los iteraters for elem_main in container_trs.getiterator(): bucle a través de container_trs sí mismo, y sus hijos, y nietos, etc.

Answer 2

elem0.text es Ninguno, porque el texto es en realidad parte del subelemento . Sólo tiene que ir un nivel más profundo:

print elem0.getchildren()[0].text

Por cierto, elem0[0].text es un atajo para ese mismo constructo -. Hay necesidad de GetChildren ()