问题标签 [lxml]

我想在某些网站中提取一些文本。这是我想提取一些文本来制作刮板的网址。 http://news.search.naver.com/search.naver?sm=tab_hty&where=news&query=times&x=0&y=0 在这个页面中，我想分别提取一些带有主题和内容字段的文本。例如，如果您打开该页面，您可以在页面中看到一些文本，

日本东京国际电影节 EPA연합뉴스 세계 | 2009.10.25 (일) 오후 7:21 日本，2009 年 10 月 25 日。 Gayet 凭借在法国电影制片人 Xabi Molia 执导的电影《八倍向上》中的角色获得最佳女演员奖。EPA/大黑川

日本东京国际电影节 EPA연합뉴스 세계 | 2009.10.25 (일) 오후 7:18 在第22届东京电影节颁奖典礼上获悉，她凭借在法国电影导演夏比莫利亚执导的电影《八倍向上》中的角色获得了最佳女演员奖...

等等 ，，，，

最后我想提取诸如格式之类的文本

主题：日本东京国际电影节内容：EPA연합뉴스 세계 | 2009.10.25 (일) 오후 7:21 日本，2009 年 10 月 25 日。 Gayet 凭借在法国电影制片人 Xabi Molia 执导的电影《八倍向上》中的角色获得最佳女演员奖。EPA/大黑川

主题：...内容：...

等等..如果有人帮助，真的很感激。提前致谢。

在exam.com 上与天气无关：

我想使用Django 1.1和lxml在网站上获取信息。我只想获取“25”的信息。

HTMLexam.com 结构如下：

我是学生。我正在和我的朋友们做一个小项目。请解释给我容易理解。非常感谢你！

例如，如果我有

如何组合一个返回输入 1,2 和 3 的查询？

编辑：我应该注意我对抓取页面上的所有输入元素不感兴趣，我只想要作为特定表单的子元素的所有输入元素，所以“//”就出来了。

目前我有 2 个变种，LXML和libXML2，它们似乎都可以工作。我已经尝试对两者进行基准测试，特别是用于将内存字符串和文件解析为 XML 并导入 XSLT 样式表并应用它们。虽然纯基于性能的测试表明 LXML 是最重要的（特别是应用样式表），但 libxml2 似乎已被用作许多其他语言的事实上的标准。此外，在解析 LXML 的过程中，实体替换似乎有些困难。

我的问题主要是：有没有人在生产中成功使用过 LXML，你的印象是什么？

我正在使用 lxml 解析 HTML 文件，我想知道如何设置contextxpath 搜索。我的意思是我有一个节点元素，并且只想在这个节点内进行 xpath 搜索，就好像它是根节点一样。例如，我有一个表单节点，xpath 搜索//input只返回给定表单的输入，而不是页面上所有表单的所有输入。我怎样才能做到这一点？我在这里xpath context找到了一些文档，但这似乎不是我想要的。

我正在尝试从任意网站上抓取 META 关键字和描述标签。我显然无法控制上述网站，所以必须接受我所得到的。它们有各种标签和属性的大小写，这意味着我需要不区分大小写。我无法相信 lxml 作者会固执地坚持完全强制标准合规性，因为它排除了对其库的大部分使用。

我想能够说doc.cssselect('meta[name=description]')（或某些 XPath 等效项），但这不会捕获<meta name="Description" Content="...">由于其他大写字母 D 的标签。

我目前正在使用它作为解决方法，但这太可怕了！

似乎标签名称meta不区分大小写，但属性不是。meta如果区分大小写，那就更烦人了！

我开始lxml在 Python 中使用来处理 XML/XSL 文档，而且总的来说它看起来非常简单。但是，在进行翻译时，我找不到将 XML 片段作为样式表参数传递的方法。

例如，在 PHP 中，可以将DOMDocumentXML 片段作为样式表参数传递，这样就可以在样式表中使用复杂的参数：

这将导致：

如何使用 来完成此操作lxml？

我有一个应用程序，我一直在使用 html5lib 来自由解析 html。我使用 minidom 接口，因为我需要一个真正的 DOM API，而 ElementTree 不适合我正在做的事情。

这是我如何做到这一点：

但是，解析大文件正在成为性能瓶颈，lxml 解析比 html5lib 快大约 80 倍（我对其进行了基准测试）。

如何使用 lxml 或类似快速的 bad-html 容错库进行解析，并使用与 DOM 兼容的 API 进行操作？

作为一个整体，我对 lxml 和 HTML 解析器相当陌生。我想知道是否有办法用另一个元素替换树中的元素......

例如我有：

我想按照这些思路做一些事情，但这会导致“TypeError”，因为“hilited”不是 lxml.etree._Element。

这可行吗？

问候，

我的 XML 文件如下所示：

我想在维护内部标签的同时提取每个 <string> 的内容。也就是说，我希望看到以下 Python 字符串：u"Bla <b>One & Two</b> Foo"。或者，我想我可以选择 u"Bla <b>One & Two</b> Foo"，然后尝试自己替换实体。

我目前正在使用 lxml，它允许我迭代嵌套标签，错过不在标签内的文本，或者在所有文本内容（itertext）上，丢失标签信息。我可能错过了一些东西。

如果可能的话，我更愿意保留 lxml，但如果需要，我可以切换到另一个库。