lxml.iterwalk()边遍历XML/HTML树边返回(element, event, data)三元组，event含'start'、'end'、'text'、'tail'，data在文本事件中为内容，其余为None；支持events参数筛选事件类型，适用于精细解析控制。
lxml.iterwalk() 用来边遍历 XML/HTML 树边获取“事件”（如开始标签、结束标签、文本等），同时拿到对应元素对象。它比 iterparse() 更灵活，适合需要精细控制解析过程的场景，比如边解析边过滤、改写、统计或提取混合内容。
基本用法：获取事件和元素
调用 iterwalk() 时，默认返回三元组：(element, event, data)。其中：
-
element 是当前触发事件的 lxml 元素对象（
etree.Element） -
event 是字符串，常见值有：
'start'（进入标签）、'end'（离开标签）、'text'（遇到文本节点）、'tail'（遇到尾部文本） -
data 在
'text'或'tail'事件中为对应文本内容；其他事件中为None
示例：
from lxml import etree
<p><a style="color:#f60; text-decoration:underline;" title="html" href="https://www.php.cn/zt/15763.html" target="_blank">html</a> = '<div><p>Hello</p><span>World</span></div>'
root = etree.fromstring(html)</p><p>for elem, event, data in etree.iterwalk(root):
if event == 'start':
print(f"进入: {elem.tag}")
<a style="color:#f60; text-decoration:underline;" title="elif" href="https://www.php.cn/zt/200020.html" target="_blank">elif</a> event == 'end':
print(f"离开: {elem.tag}")
elif event == 'text' and data and data.strip():
print(f"文本: '{data.strip()}'")
</p>只关注特定事件类型
可以通过 events 参数指定只监听哪些事件，减少干扰：
立即学习“Python免费学习笔记（深入）”；
-
events=('start', 'end')—— 忽略文本和尾部，只跟踪结构变化 -
events=('start',)—— 类似深度优先遍历，每个元素第一次出现时触发 -
events=('end',)—— 每个元素完全解析完（子树处理完毕）后触发，适合做清理或汇总
例如，只在元素闭合时收集其完整文本（含子节点文本）：
texts = {}
for elem, event, data in etree.iterwalk(root, events=('end',)):
if event == 'end':
# 此时 elem 的所有子节点已处理完毕
full_text = (elem.text or '') + ''.join(
child.t<a style="color:#f60; text-decoration:underline;" title="ai" href="https://www.php.cn/zt/17539.html" target="_blank">ai</a>l or '' for child in elem
)
texts[elem.tag] = full_text.strip()
配合 XPath 或属性条件做条件遍历
可以在循环中结合 elem.tag、elem.get('attr') 或 elem.xpath() 做实时判断：
- 跳过某些标签：
if elem.tag in ('script', 'style'): continue - 只处理带特定 class 的 div：
if elem.tag == 'div' and 'main' in elem.get('class', ''): - 提取所有带 href 的 a 标签及其链接文本（注意 text/tail 分布）：
links = []
for elem, event, data in etree.iterwalk(root):
if elem.tag == 'a' and elem.get('href') and event == 'start':
# 记录链接地址
href = elem.get('href')
# 下一个非空 text 就是链接文本（简单情况）
link_text = (elem.text or '').strip()
if not link_text:
# 可能文本在子节点里，或 tail 中，需进一步处理
link_text = ''.join(t for t in elem.itertext()).strip()
links.append((href, link_text))
注意事项和常见坑
-
'start'事件在元素被解析**开始时**触发，此时其子节点尚未处理，elem.text是开始标签后的直接文本，但子元素还没构建好 -
'end'事件在元素**完全解析后**触发，此时elem.text和所有child.tail都已就位，适合读取完整内容 - 文本可能分散在
elem.text、child.tail、甚至嵌套中的grandchild.tail，不要只看elem.text -
iterwalk()默认从根节点开始遍历整棵树；若只想遍历某子树，传入该子元素即可
基本上就这些。它不复杂，但容易忽略事件语义和文本分布逻辑。多打印几个 (elem.tag, event, repr(data)) 看几遍，节奏就清楚了。
