0

我正在 scraperwiki.com 开发 Python 刮板,我需要解析一个包含以下内容的 html 页面:

<div class="items">
  <div class="item">
       ItemLine1 ItemLine1 ItemLine1
       <br> 
       ItemLine2 ItemLine2 ItemLine2
 </div>
 <br>
</div>

我现在正在做的是:

import scraperwiki
import lxml.html

#.......................
raw_string = lxml.html.fromstring(scraperwiki.scrape(url_to_scrape))
my_line = ((raw_string.cssselect("div.items div.item")[0]).text)
print (my_line)

它只打印ItemLine1 ItemLine1 ItemLine1。当我将 [0] 更改为 [1] 时,它会引发异常。

我怎么刮那个?我应该使用 xpath 吗?

4

1 回答 1

2

XPath 是最直接的解决方案:

items = raw_string.cssselect('div.items div.item')

texts = [item.xpath('br[1]/preceding-sibling::node()') for item in items]

XPathbr[1]选择 ; 的第一个br孩子div.itempreceding-sibling::轴包含出现在第一个之前的所有节点brnode()选择该轴上的每种节点(文本或元素)。

如果您的更大目标是按br元素拆分节点的子节点,则可以采用几种不同的方法。这是如此棘手的原因是元素喜欢br并且hr设计不良的标记。使用像 sgml、html 或 xml 这样的树状标记语言,应该在一起的东西应该由一个公共的父元素分组,而不是由一个没有子元素的分隔符元素分割。

我将扩展您的测试用例以演示一些更复杂的情况:

html = """<div class="items">
  <div class="item">
   <br>
   ItemLine1 ItemLine1 ItemLine1
   <a href="">item</a>
   Itemline1-b
   <br> 
   <a class="z">item2</a>
   ItemLine2 ItemLine2 ItemLine2
   <br><br>
   Itemline3
 </div>
 <br>
</div>"""

doc = lxml.html.fromstring(html)
itemlist = doc.cssselect('div.items div.item')

第一种方法是简单地获取段落中的所有节点并将它们拆分为不同的列表br。如果您使用这种方法,请不要使用 ElementTree API 的texttail属性,因为您最终可能会复制文本。

def paras_by_br_nodes(parent):
    """Return a list of node children of parent (including text nodes) grouped by "paragraphs" which are delimited by <br/> elements."""
    paralist = []
    paras = []
    for node in parent.xpath('node()'):
        if getattr(node, 'tag', None) == 'br':
            paralist.append(paras)
            paras = []
        else:
            paras.append(node)
        paralist.append(paras)
        return paralist


print paras_by_br_nodes(itemlist[0])

这会产生如下列表:

[['\n       '],
 ['\n       ItemLine1 ItemLine1 ItemLine1\n\t\t', <Element a at 0x10498a350>, '\n\t\tItemline1-b\n       '],
 [<Element a at 0x10498a230>, '\n       ItemLine2 ItemLine2 ItemLine2\n       '],
 [], 
 ['\n       Itemline3\n ']]

第二种方法是利用 ElementTree API 并将文本节点保留在texttail属性中。这种方法的缺点是,如果没有附加文本的元素,我们只需要包含文本节点。这个非同质类型列表使用起来有点麻烦。

def paras_by_br_text(parent):
    paralist=[]
    para=[parent.text]
    for item in parent:
        if item.tag=='br':
            paralist.append(para)
            para = [item.tail]
        else:
            para.append(item)
    paralist.append(para)
    return paralist

print paras_by_br_text(itemlist[0])

这会产生一个像这样的列表。请注意,与前一个列表相比,它仅在列表的第一个位置具有文本节点节点。这对应于br.tail文本或parent.text(即第一个元素之前的文本)。

[['\n       '],
 ['\n       ItemLine1 ItemLine1 ItemLine1\n\t\t', <Element a at 0x1042f5170>],
 [<Element a at 0x1042f5290>],
 [],
 ['\n       Itemline3\n ']]

我认为最好的方法是引入新元素。这个 htmlbr在它应该使用的时候使用p或者其他一些容器元素。因此,让我们修复 html并返回元素列表而不是节点列表:

def paras_by_br(parent):
    paralist = []
    para = lxml.html.etree.Element('para')
    if parent.text:
        para.text = parent.text
    for item in parent:
        if item.tag=='br':
            paralist.append(para)
            para = lxml.html.etree.Element('para')
            if item.tail:
                para.text = item.tail
        else:
            para.append(item)
    return paralist

paralist = paras_by_br(itemlist[0])

print "\n--------\n".join(lxml.html.etree.tostring(para) for para in paralist)

这将打印以下内容:

<para>
       </para>
--------
<para>
       ItemLine1 ItemLine1 ItemLine1
        <a href="">item</a>
        Itemline1-b
       </para>
--------
<para><a class="z">item2</a>
       ItemLine2 ItemLine2 ItemLine2
       </para>
--------
<para/>

查看项目如何按para原始文档中不存在的新元素进行分组。

于 2012-10-29T13:50:10.483 回答