Question

我正在尝试使用Python从页面中删除一些文本。应该很容易，但lxml似乎总是让我感到惊讶。这是我尝试过的：

>>> import lxml.html
>>> import urllib

>>> response = urllib.urlopen('http://www.codecademy.com/username')
>>> tree = lxml.html.parse(response)
>>> root = tree.getroot()
>>> root.find_class('stat-count')
[]

我很困惑。以下是在html：<span class="stat-count">27</span>（第二个跨度与同一个类。）我无法想象为什么find_class方法对某些元素这样工作，但对其他元素则不然。< / p>

我愿意接受任何获取这些span代码中第一个内容的策略。但我真的很想深入了解正确的方法。我想使用lxml比使用正则表达式更快，更易于维护，但我似乎从未有过良好的体验。

Answer 1

它应该有效，只要root = tree.getroot()。

import lxml.html
import urllib

response = urllib.urlopen('http://www.codecademy.com/username')
tree = lxml.html.parse(response)
# tree.write('/tmp/test.html')
root = tree.getroot()
print(root.find_class('stat-count'))

产量

[<Element span at 0xa3146bc>, <Element span at 0xa3146ec>]

Answer 2

你应该给beautifulsoup一个机会！

import urllib
from bs4 import BeautifulSoup as BS

response = urllib.urlopen('http://www.codecademy.com/username').read()
soup = BS(response)
points = soup.find("span",{"class":"stat-count"}).get_text()
print points

对于给定的网址，这会打印0但是当我使用我的codeacademy用户名时，它会返回90，所以它可以正常工作

为什么lxml没有找到这个类？

2 个答案: