我试图获得股票的公司名称,行业和行业。我下载'https://finance.yahoo.com/q/in?s={}+Industry'.format(sign)
的HTML,然后尝试使用.xpath()
中的lxml.html
解析它。
要获取我尝试抓取的数据的XPath,我会转到Chrome中的网站,右键单击该项目,单击Inspect Element
,右键单击突出显示的区域,然后点击Copy XPath
。这在过去一直对我有用。
可以使用以下代码重现此问题(我以Apple为例):
import requests
from lxml import html
page_p = 'https://finance.yahoo.com/q/in?s=AAPL+Industry'
name_p = '//*[@id="yfi_rt_quote_summary"]/div[1]/div/h2/text()'
sect_p = '//*[@id="yfncsumtab"]/tbody/tr[2]/td[1]/table[2]/tbody/tr/td/table/tbody/tr[1]/td/a/text()'
indu_p = '//*[@id="yfncsumtab"]/tbody/tr[2]/td[1]/table[2]/tbody/tr/td/table/tbody/tr[2]/td/a/text()'
page = requests.get(page_p)
tree = html.fromstring(page.text)
name = tree.xpath(name_p)
sect = tree.xpath(sect_p)
indu = tree.xpath(indu_p)
print('Name: {}\nSector: {}\nIndustry: {}'.format(name, sect, indu))
这给出了这个输出:
Name: ['Apple Inc. (AAPL)']
Sector: []
Industry: []
它没有遇到任何下载困难,因为它能够检索name
,但其他两个不能正常工作。如果我分别用tr[1]/td/a/text()
和tr[1]/td/a/text()
替换它们的路径,则会返回以下内容:
Name: ['Apple Inc. (AAPL)']
Sector: ['Consumer Goods', 'Industry Summary', 'Company List', 'Appliances', 'Recreational Goods, Other']
Industry: ['Electronic Equipment', 'Apple Inc.', 'AAPL', 'News', 'Industry Calendar', 'Home Furnishings & Fixtures', 'Sporting Goods']
显然,我可以切出每个列表中的第一项来获取我需要的数据。
我不明白的是,当我将tbody/
添加到开头(//tbody/tr[#]/td/a/text()
)时,它会再次失败,即使Chrome中的控制台清楚地显示tr
个作为tbody
元素的孩子。
为什么会这样?
答案 0 :(得分:5)
浏览器解析HTML并从中构建元素树;在该过程中,他们将插入输入HTML文档中可能缺少的元素。
在这种情况下,<tbody>
元素不在源HTML 中。您的浏览器会插入它们,因为它们隐藏在结构中(如果缺少)。但是,LXML不会插入它们。
由于这个原因,您的浏览器工具不是构建XPath查询的最佳工具。
删除tbody/
路径元素会产生您要查找的结果:
>>> sect_p = '//*[@id="yfncsumtab"]/tr[2]/td[1]/table[2]/tr/td/table/tr[1]/td/a/text()'
>>> indu_p = '//*[@id="yfncsumtab"]/tr[2]/td[1]/table[2]/tr/td/table/tr[2]/td/a/text()'
>>> tree.xpath(sect_p)
['Consumer Goods']
>>> tree.xpath(indu_p)
['Electronic Equipment']