如何使用lxml从html文件中提取python中的段落文本？

文章/答案/技术大牛

发布

1回答

python、html、lxml.html

我正在尝试提取段落，但得到的是[<Element p at 0x7f8c81a26548>]而不是段落。如何提取段落？

浏览 12提问于2019-01-31得票数 1

1回答

使用BeautifulSoup和Python从任何网页中提取主文本

python、html、web-scraping、beautifulsoup

我正在编写一些代码(Python)来从网页中抓取文本。我的目标是找到一种方法来过滤/删除网页上不属于主文章的段落(例如广告、链接到其他文章等)。到目前为止，我一直在使用.find_all("p")命令从文本中提取段落，虽然成功地从文本中提取了许多基本段落，但这些段落</em

浏览 6提问于2021-07-27得票数 0

回答已采纳

2回答

使用Python从网站中提取Web元素

python、xpath、lxml、urllib2、xml.etree

我想从这个网站的表格和段落文本中提取各种元素。这是我正在使用的代码：from lxml import htmlimport urllib2x = etree.HTML(source) growth = x.xp

浏览 7提问于2017-02-26得票数 0

回答已采纳

2回答

如何使用lxml，XPath和Python从网页中提取链接？

python、screen-scraping、hyperlink、lxml、extraction

我得到了这个xpath查询：它提取所有带有标题属性的链接-并在中给出href。但是，我似乎不能在lxml中使用它。from lxml import etree parsedPage = etree.HTML(page) # Create parse tree from valid

浏览 0提问于2010-01-18得票数 5

回答已采纳

0回答

如何在python-docx中提取带有跟踪更改的插入文本

python-3.x、ms-word、python-docx

我想从在“修订”模式下编辑的word文档中提取文本。我想提取插入的文本并忽略删除的文本。运行下面的代码，我看到以"track changes“模式插入的段落返回一个空的Paragraph.text for para in doc.paragra

浏览 2提问于2016-07-07得票数 2

回答已采纳

1回答

Python在lxml.html中保留cssselect和text_content()之后的新行

python、newline、html-parsing、lxml

在python中，如何在使用lxml.html时保留段落(即保留换行符)？例如，下面将剥离标记并加入这些行，这不是我想要的：content = body.text_content()lxml.html.clean.clean_html：

浏览 3提问于2010-11-22得票数 2

回答已采纳

1回答

使用python和lxml从大型HTML文件中解析和提取信息

python、html、xpath

我希望解析大型HTML文件并通过xpath从这些文件中提取信息。为此，我使用python和lxml。但是，lxml似乎不能很好地处理大型文件，它可以正确解析大小不超过16 MB的文件。通过xpath尝试从HTML代码中提取信息的代码片段如下： tree = lxml.html.fragment

浏览 1提问于2014-06-10得票数 3

1回答

使用lxml提取python中的段落

python、html-parsing、lxml、paragraphs

我想通过python在html中提取段落。我使用了lxml模块，但它并不能完全满足我的需求。print html.parse(url).xpath('//p')[1].text_content() 我应该补充<em

浏览 4提问于2011-02-18得票数 2

回答已采纳

3回答

有没有一种方法可以使用可读性和python来提取文本，而不是HTML？

python、readability、text-extraction、html-content-extraction

我需要在运行时，在服务器端从一个随机网页中提取纯文本。我使用Google和Readability端口。有很多这样的情况。和minvolai一样，它依赖于lxml。还依赖于来检测编码。中<e

浏览 1提问于2012-06-22得票数 6

回答已采纳

1回答

获取表数据的文本，即使存在子表- LXML

python、html、lxml

尝试从HTML中的表中的行中提取文本，其中每个表数据标记可能有也可能没有嵌套的标记。一直在使用python中的lxml库来实现数据提取，但我不太清楚如何最好地处理这个问题： s = ""&quo

浏览 1提问于2018-02-06得票数 1

回答已采纳

1回答

如何使用python模块从word文档中提取段落和表格中的文本？

python、docx

如何使用python模块从word文档中仅提取段落和表格中的文本，这些文档具有超链接、图像、附加的excel表等对象？我尝试过docx2python，但它只适用于简单的"docx“文件，而不适用于其中附加了链接或excel文件的文件。

浏览 3提问于2020-06-10得票数 0

1回答

用BeautifulSoup删除分页符

python、html、beautifulsoup、nltk

我使用BeautifulSoup从html文档中提取文本，然后将文本传递给NLTK进行一些分析。HTML文件中有分页符。分页会导致连续段落被分割。from bs4 import BeautifulSouptxt = (soup.get_text())分割的<e

浏览 2提问于2016-11-06得票数 1

回答已采纳

1回答

使用ElementTree/lxml查找文本字符串的父标记

python、lxml、elementtree

我尝试获取一个文本字符串，并从html中“提取”段落/文档中的其余文本。我目前的方法是尝试在用lxml解析过的html中找到字符串的“父标签”。(如果您知道解决此问题的更好方法，我洗耳恭听！)例如，在树中搜索"TEXT STRING HERE“并返回"p”标记。(请注意，我不会事先知道ht

浏览 2提问于2009-06-22得票数 2

回答已采纳

2回答

在维护HTML结构的同时使用lxml查找/替换文本

python、replace、lxml

我正在尝试构建一个简单的脚本，以便根据字典将超链接插入到HTML中。对于这个问题，我已经看到了广泛的，它建议使用lxml和BeatifulSoup，但是我遇到了一些特定的问题，希望有人能给我一个正确的方向。</p>""" root = lxml.html.fromstring(test_stri

浏览 2提问于2016-02-26得票数 0

1回答

如何测试美汤对象的类型？

python、python-2.7、beautifulsoup

这可能是一个非常基本的Python问题，尽管我在Beautiful Soup中遇到过它。我想做的基本事情是只从HTML文件中提取输出文本。例如，在下面包含的HTML文件中，我只想提取0123、abc、def和ghi，而不提取标签和属性。据我最好的理解，我应该能够递归通过HTML标签的

浏览 6提问于2018-03-05得票数 2

回答已采纳

1回答

根据术语列表从树中删除元素

python、html、lxml

我正在尝试从一个网页(在运行脚本时传递URL )捕获一些文本，但是它隐藏在一个段落标记中，没有分配其他属性。我可以收集每个段落标签的内容，但是我想从包含关键字列表的树中删除任何元素。我得到以下错误：我明白，当我

浏览 8提问于2016-03-04得票数 0

回答已采纳

3回答

python:迭代段落、表格和图像，同时保持顺序。

python、docx

这是我第一次在这里发帖，我想写一个脚本，它以docx作为输入，并选择某些段落(包括表和图像)以相同的顺序复制到另一个模板文档中(而不是最后)。我遇到的问题是，当我开始迭代我的代码无法检测到图像的元素时，因此我无法确定图像相对于文本和表的位置，也无法确定它是哪个图像。总之，我得到了doc1和:文本图像文本表文本我最后得到的是:文本图像缺少文本表<

浏览 0提问于2018-10-16得票数 3

回答已采纳

2回答

如何解析保存为文本的html代码？

python、html、parsing、text-parsing

我有多个.txt文件包含.txt代码(来自网页的HTML被复制并保存为.txt)。谢谢你的帮助。

浏览 0提问于2018-08-01得票数 0

回答已采纳

1回答

从xpath @属性中剥离html标记

python、xpath、lxml

我正在尝试使用lxml和xpath从网页中提取一些文本--我需要两个部分page = requests.get(url) body_one = pageopen.xpath('/html/body//div/div/div//div/p[@class="bo

浏览 1提问于2014-06-09得票数 0

回答已采纳

1回答

BeautifulSoup :从html标记中提取/解析数据

python、xml、parsing、beautifulsoup

我试图使用Python代码中的Beautiful从url中提取体育数据。这个数据源的问题是数据出现在html标记中。具体来说，这个标签的标题是"“ 我要的是玩家数据--这些数据似乎是XML格式的。然而，这些数据出现在"match“标记中，而不是作为开始/结束标记中的内容出现。print(soup.m

浏览 5提问于2021-04-08得票数 0

回答已采纳

点击加载更多