我转换一些使用正则表达式的python脚本将内容从html输出提取到libxml2,但是因为我从这开始,一点帮助就会被贬低。
如何使用lxml从下面的示例“工作目录”,“包/更新”和“Java数据模型”中提取值?
<tr>
<script>writeTD("row");</script>
<td class="oddrow"><nobr>Working Dir</nobr></td>
<script>writeTD("rowdata-l");</script>
<td class="oddrowdata-l">/serves/test_servers</td>
</tr>
<script>swapRows();</script>
<tr>
<script>writeTD("row");</script>
<td class="evenrow"><nobr>Packages/Updates</nobr></td>
<script>writeTD("rowdata-l");</script>
<td class="evenrowdata-l"><a href="updates.dsp">View</a></td>
</tr>
<script>swapRows();</script>
<tr>
<script>writeTD("row");</script>
<td class="oddrow"><nobr>Java Data Model</nobr></td>
<script>writeTD("rowdata-l");</script>
<td class="oddrowdata-l">64-bit</td>
</tr>
</tbody></table>
</td>
</tr>
</tbody></table>
提前致谢。
答案 0 :(得分:5)
使用您发布的HTML为content
,
import lxml.html as LH
doc = LH.fromstring(content)
tds = (td.text_content() for td in doc.xpath('//td'))
for td, val in zip(*[tds]*2):
if td in ("Working Dir", "Java Data Model"):
print(td,val)
产量
('Working Dir', '/serves/test_servers')
('Java Data Model', '64-bit')
这一行完成了大部分工作:
tds = (td.text_content() for td in doc.xpath('//td'))
它使用xpath()
方法搜索所有<td>
标记。它使用text_content()
方法提取相关文本。
zip(*[tds]*2)
是成对迭代tds
的{{3}}:
for td, val in zip(*[tds]*2):
print(td,val)
请注意,这假设<td>
标签和值互相排列。