关于如何使用lxml解析来自html输出的数据的简单示例

时间:2012-08-03 11:43:52

标签: python html parsing lxml

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。

1 个答案:

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。