我正在尝试解析网站
blahblahblah
<a href="THIS IS WHAT I WANT" title="NOT THIS">I DONT CARE ABOUT THIS EITHER</a>
blahblahblah
(其中有很多,我希望所有这些都以一种标记化的形式)。不幸的是,HTML非常大而且有点复杂,因此尝试爬下树可能需要一些时间来整理嵌套元素。有没有一种简单的方法来检索它?
谢谢!
答案 0 :(得分:14)
如果您只想要a
标签的href,请使用:
data = """blahblahblah
<a href="THIS IS WHAT I WANT" title="NOT THIS">I DONT CARE ABOUT THIS EITHER</a>
blahblahblah"""
import lxml.html
tree = lxml.html.fromstring(data)
print tree.xpath('//a/@href')
# ['THIS IS WHAT I WANT']