Selenium获取元素文本时如何保留子元素格式（Python）

针对你遇到的用Selenium提取<p>元素文本时丢失<i>标签格式、无法直接生成LaTeX斜体命令的问题，这里提供两种靠谱的解决方案，完全避免文本重复导致的替换失效问题：

方法一：直接获取带HTML标签的元素内容 #

不用.text属性，改用get_attribute('innerHTML')获取元素的原始HTML内容，再将<i>标签替换为LaTeX的\textit{}格式即可。

示例代码：

from selenium import webdriver
from selenium.webdriver.common.by import By

driver = webdriver.Chrome()
# 先加载目标页面
elem = driver.find_element(By.TAG_NAME, "p")
# 获取包含标签的HTML内容
html_content = elem.get_attribute('innerHTML')
# 替换为LaTeX格式
latex_content = html_content.replace('<i>', r'\textit{').replace('</i>', '}')
# 清理多余的换行和缩进（按需调整）
latex_content = latex_content.strip().replace('\n    ', ' ')
print(latex_content)  # 输出：I love \textit{pizza}.

这种方法直接基于标签位置替换，不管子元素文本和父元素是否重复，都能精准对应格式。

方法二：生成结构化的格式标识列表 #

通过遍历元素的所有子节点，区分普通文本节点和<i>元素节点，生成带格式标记的列表，再转换成LaTeX格式。这种方式更灵活，适合处理复杂嵌套的格式。

示例代码：

from selenium import webdriver
from selenium.webdriver.common.by import By

driver = webdriver.Chrome()
# 加载目标页面后定位元素
elem = driver.find_element(By.TAG_NAME, "p")
content_parts = []

# 遍历元素的所有子节点
for node in elem.get_property('childNodes'):
    if node.nodeType == 3:  # 处理文本节点
        clean_text = node.strip()
        if clean_text:  # 过滤空文本
            content_parts.append(('text', clean_text))
    elif node.nodeType == 1 and node.tagName == 'I':  # 处理<i>元素
        content_parts.append(('italic', node.text.strip()))

# 转换为LaTeX格式
latex_output = ''
for part_type, content in content_parts:
    if part_type == 'italic':
        latex_output += r'\textit{' + content + '}'
    else:
        latex_output += content

print(latex_output)  # 处理重复文本示例时会输出：I love \textit{love} pizza.

这种方式能精准识别每一段内容的格式类型，完全不会因为文本重复出现错误匹配。

内容的提问来源于stack exchange，提问作者niorumia