需要python lxml语法帮助来解析html
我是一个全新的python新手，我需要一些使用lxml查找和迭代html标记的语法方面的帮助。下面是我正在处理的用例：
HTML文件的格式相当好(但并不完美)。屏幕上有多个表，一个表包含一组搜索结果，页眉和页脚各一个。每个结果行都包含搜索结果详细信息的链接。
- 我需要找到包含搜索结果行的中间表格(这是我能够找到的)：
self.mySearchTables1.findall(".//tr")
- I = self.mySearchTables = self.mySearchTree.findall(".// table ") self.myResultRows =table需要查找此表中包含的链接(这就是我遇到问题的地方)：
对于self.myResultRows中的searchRow : searchLink = patentRow.findall(".//a")
它似乎没有找到链接元素。
- 我需要链接的纯文本。如果我一开始就得到了link元素，我想它应该类似于
searchLink.text。
最后，在lxml的实际API参考中，我无法找到有关find和findall调用的信息。我从我在谷歌上找到的一些代码中收集到了这些。关于如何使用lxml有效地查找和遍历HTML标记，我是不是漏掉了什么？
回答 2
Stack Overflow用户
发布于 2009-03-02 19:27:20
好的，首先，关于解析beautifulsoup included with lxml：如果你遵循zweiterlinde和S.Lott的建议，至少使用zweiterlinde的版本。这样，您还可以从漂亮的xpath或css选择器界面中获益。
不过，我个人更喜欢伊恩·比克的HTML parser included in lxml。
其次，.find()和.findall()来自试图与ElementTree兼容的lxml，这两种方法在XPath Support in ElementTree中进行了描述。
这两个函数非常容易使用，但它们的XPath非常有限。我建议尝试使用完整的lxml，或者，如果您已经熟悉xpath() method，则使用cssselect() method。
以下是一些示例，其中HTML字符串的解析方式如下：
from lxml.html import fromstring
mySearchTree = fromstring(your_input_string)使用css选择器类，您的程序将大致如下所示：
# Find all 'a' elements inside 'tr' table rows with css selector
for a in mySearchTree.cssselect('tr a'):
print 'found "%s" link to href "%s"' % (a.text, a.get('href'))使用xpath方法的等效方法为：
# Find all 'a' elements inside 'tr' table rows with xpath
for a in mySearchTree.xpath('.//tr/*/a'):
print 'found "%s" link to href "%s"' % (a.text, a.get('href'))Stack Overflow用户
发布于 2009-03-02 17:51:14
你在这个项目中不使用Beautiful Soup有什么原因吗？这将使处理不完美格式的文档变得更加容易。
https://stackoverflow.com/questions/603287
复制相似问题