Question

我有这个HTML代码：

<table>
 <tr>
  <td class="test"><b><a href="">aaa</a></b></td>
  <td class="test">bbb</td>
  <td class="test">ccc</td>
  <td class="test"><small>ddd</small></td>
 </tr>
 <tr>
  <td class="test"><b><a href="">eee</a></b></td>
  <td class="test">fff</td>
  <td class="test">ggg</td>
  <td class="test"><small>hhh</small></td>
 </tr>
</table>

我使用此Python代码通过lxml模块提取所有<td class="test">。

import urllib2
import lxml.html

code   = urllib.urlopen("http://www.example.com/page.html").read()
html   = lxml.html.fromstring(code)
result = html.xpath('//td[@class="test"][position() = 1 or position() = 4]')

效果很好！结果是：

<td class="test"><b><a href="">aaa</a></b></td>
<td class="test"><small>ddd</small></td>


<td class="test"><b><a href="">eee</a></b></td>
<td class="test"><small>hhh</small></td>

（所以每个<tr>的第一列和第四列）现在，我必须提取：

aaa （链接标题）

ddd （<small>代码之间的文字）

eee （链接标题）

hhh （<small>代码之间的文字）

我如何提取这些值？

（问题是我必须删除<b>代码并在第一列上获取锚点的标题并删除第四列上的<small>代码。

谢谢！

Answer 1

如果你做el.text_content()，你将从每个元素中删除所有标记内容，即：

result = [el.text_content() for el in result]

Answer 2

为什么不在每一步中获取你想要的东西？

links = [el.text for el in html.xpath('//td[@class="test"][position() = 1]/b/a')]
smalls = [el.text for el in html.xpath('//td[@class="test"][position() = 4]/small')]
print zip(links, smalls) 
# => [('aaa', 'ddd'), ('eee', 'hhh')]

如何使用python lxml获取html元素

2 个答案: