在Python中使用LXML解析HTML

时间:2013-02-02 15:57:44

标签: python html parsing html-parsing lxml

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!

1 个答案:

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']