1

我正在尝试解析一些 html，并且我想检索标签之间的实际 html，但我的代码却给了我我认为是元素的位置。

到目前为止，这是我的代码：

import urllib.request, http.cookiejar
from lxml import etree
import io
site = "http://somewebsite.com"


cj = http.cookiejar.CookieJar()
request = urllib.request.Request(site)
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
request.add_header('User-agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:17.0) Gecko/20100101 Firefox/17.0')
html = etree.HTML(opener.open(request).read())

xpath = "//li[1]//cite[1]"
filtered_html = html.xpath(xpath)
print(filtered_html)

这是一段html：

<div class="f kv">
<cite>
www.
<b>hello</b>
online.com/
</cite>
<span class="vshid">
</div>

目前我的代码返回：

[<Element cite at 0x36a65e8>, <Element cite at 0x36a6510>, <Element cite at 0x36a64c8>]

如何提取引用标签之间的实际 html 代码？如果我将“/text()”添加到我的 xpath 的末尾，它会让我更接近，但它会忽略 b 标签中的内容。我的最终目标是让我的代码给我“www.helloonline.com/”。

谢谢

4

2 回答 2

2

用于从给定位置//text()获取所有文本元素：

text = filtered_html.xpath('//text()')
print ''.join(t.strip() for t in text)  # prints "www.helloonline.com/"
于 2012-12-30T18:25:13.037 回答
0

这可以通过 just 来完成requests，lxml并/text()在您的xpath

import requests
from lxml import html

site = "http://somewebsite.com"
tree = html.fromstring(requests.get(site).content)
xpath = "//li[1]//cite[1]/text()"
data = tree.xpath(xpath)
于 2022-01-19T14:11:42.927 回答