4

我有这个 html 代码：

<table>
 <tr>
  <td class="test"><b><a href="">aaa</a></b></td>
  <td class="test">bbb</td>
  <td class="test">ccc</td>
  <td class="test"><small>ddd</small></td>
 </tr>
 <tr>
  <td class="test"><b><a href="">eee</a></b></td>
  <td class="test">fff</td>
  <td class="test">ggg</td>
  <td class="test"><small>hhh</small></td>
 </tr>
</table>

我使用这个 Python 代码<td class="test">通过 lxml 模块提取所有内容。

import urllib2
import lxml.html

code   = urllib.urlopen("http://www.example.com/page.html").read()
html   = lxml.html.fromstring(code)
result = html.xpath('//td[@class="test"][position() = 1 or position() = 4]')

效果很好！结果是：

<td class="test"><b><a href="">aaa</a></b></td>
<td class="test"><small>ddd</small></td>


<td class="test"><b><a href="">eee</a></b></td>
<td class="test"><small>hhh</small></td>

（所以每个的第一列和第四列<tr>）现在，我必须提取：

aaa（链接的标题）

ddd<small> （标签之间的文本）

eee（链接的标题）

hhh<small> （标签之间的文本）

我怎样才能提取这些值？

（问题是我必须删除<b>标签并在第一列获取锚的标题并在第四列删除<small>标签）

谢谢！

4

2 回答 2

8

如果这样做el.text_content()，您将从每个元素中删除所有标签内容，即：

result = [el.text_content() for el in result]
于 2010-05-11T02:13:07.050 回答
4

为什么你不只是在每一步中获取你想要的东西？

links = [el.text for el in html.xpath('//td[@class="test"][position() = 1]/b/a')]
smalls = [el.text for el in html.xpath('//td[@class="test"][position() = 4]/small')]
print zip(links, smalls) 
# => [('aaa', 'ddd'), ('eee', 'hhh')]
于 2010-05-11T01:20:10.807 回答