3

我正在编写一个工具，该工具需要收集网页上 div 内的所有 url，但该 div 之外没有 url。简化的页面看起来像这样：

<div id="bar">
   <a link I dont want>
   <div id="foo">
      <lots of html>
      <h1 class="baz">
         <a href=”link I want”&gt;
      </h1>
      <h1 class="caz">
         <a href=“link I want”&gt;
      </h1>
   </div>
</div>

当使用 Firebug 选择 div 并选择 XPath 时，我得到：//*[@id="foo"]。到目前为止，一切都很好。但是，我一直在尝试查找 div foo 中的所有 url。请帮助我找到一种方法来提取由元素中的 href 定义的 url。

类似于我正在使用 w3schools 的示例代码：

import mechanize
import lxml.html
import cookielib

br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)

br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)

br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
br.addheaders = [('User-agent', 'WatcherBot')]

r = br.open('http://w3schools.com/')
html = br.response().read()
root = lxml.html.fromstring(html)

hrefs = root.xpath('//*[@id="leftcolumn"]')

# Found no solution yet. Stuck

感谢您的时间！

4

1 回答 1

12

你可能想要这个：

hrefs = root.xpath('//div[@id="foo"]//a/@href')

这将为您提供任何级别内部标签的所有href值的列表a<div id="foo">

于 2013-05-04T19:34:11.697 回答