Dan*_*low 17 python xpath parsing lxml html5lib
我正在尝试使用html5lib将html页面解析为我可以使用xpath查询的内容.html5lib文档接近零,我花了太多时间试图解决这个问题.最终目标是拉出表的第二行:
<html>
<table>
<tr><td>Header</td></tr>
<tr><td>Want This</td></tr>
</table>
</html>
所以试试吧:
>>> doc = html5lib.parse('<html><table><tr><td>Header</td></tr><tr><td>Want This</td> </tr></table></html>', treebuilder='lxml')
>>> doc
<lxml.etree._ElementTree object at 0x1a1c290>
看起来不错,让我们看看我们还有什么:
>>> root = doc.getroot()
>>> print(lxml.etree.tostring(root))
<html:html xmlns:html="http://www.w3.org/1999/xhtml"><html:head/><html:body><html:table><html:tbody><html:tr><html:td>Header</html:td></html:tr><html:tr><html:td>Want This</html:td></html:tr></html:tbody></html:table></html:body></html:html>
大笑？
认真.我打算使用一些xpath来获取我想要的数据,但这似乎不起作用.那我该怎么办？我愿意尝试不同的库和方法.
Rya*_*rom 21
缺少文档是避免图书馆IMO的一个很好的理由,无论它有多酷.你是否坚持使用html5lib？你看过lxml.html吗？
以下是使用lxml执行此操作的方法:
from lxml import html
tree = html.fromstring(text)
[td.text for td in tree.xpath("//td")]
结果:
['Header', 'Want This']
sci*_*shi 17
您想要使用的是namespaceHTMLElements参数,由于某种原因,该参数默认为True.
doc = html5lib.parse('''<html>
<table>
<tr><td>Header</td></tr>
<tr><td>Want This</td></tr>
</table>
</html>
''', treebuilder='lxml', namespaceHTMLElements=False)
print lxml.html.tostring(doc)
但是,使用lxml.html可能更容易.
| 归档时间： |
|
| 查看次数： |
14879 次 |
| 最近记录： |