使用lxml查找div中的所有链接

时间:2013-05-04 19:28:46

标签: python web-crawler lxml python-2.x mechanize-python

我正在编写一个工具,需要在网页上的div中收集所有网址,但在该div之外没有网址。简化页面看起来像这样:

<div id="bar">
   <a link I dont want>
   <div id="foo">
      <lots of html>
      <h1 class="baz">
         <a href=”link I want”>
      </h1>
      <h1 class="caz">
         <a href=“link I want”>
      </h1>
   </div>
</div>

当用Firebug选择div并选择XPath时,我得到:// * [@ id =“foo”]。到现在为止还挺好。但是我一直试图找到div foo里面的所有网址。请帮我找到一种方法来提取元素中href定义的url。

示例代码类似于我正在使用的w3schools:

import mechanize
import lxml.html
import cookielib

br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)

br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)

br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
br.addheaders = [('User-agent', 'WatcherBot')]

r = br.open('http://w3schools.com/')
html = br.response().read()
root = lxml.html.fromstring(html)

hrefs = root.xpath('//*[@id="leftcolumn"]')

# Found no solution yet. Stuck

感谢您的时间!

1 个答案:

答案 0 :(得分:9)

你可能想要这个:

hrefs = root.xpath('//div[@id="foo"]//a/@href')

这将为您提供href内任意级a内所有<div id="foo">个值的列表