使用lxml.html拆分HTML文档

Question

我有一个包含多个文本章节的HTML文档,其中H1标记是章节分隔符.如何将这样的文档拆分成html片段,其中每个片段以相应"章节"的h1标签开头.我虽然美化HTML然后逐行迭代内容......但这是一种黑客攻击.使用lxml有更好的解决方案吗？

Answer 1

tree = lxml.html.document_fromstring(htmltext)
for element in tree.iter():
  if element.tag == 'h1':
    for subelement in element:
      // do stuff

那将找到h1标签的元素然后你可以迭代它的所有子元素.您也可以将元素中的所有文本作为字符串,并以这种方式处理它.无论你想做什么. http://lxml.de/ lxml太棒了,我推荐它.我不得不更新已经使用它的代码,并且只要我有问题就让网站保持开放以供参考:)