我有一些当前的Python代码应该使用HTML标记所在位置的xpath从网站的某个部分获取HTML。
def wordorigins(word):
pageopen = lxml.html.fromstring("http://www.merriam-webster.com/dictionary/" + str(word))
pbody = pageopen.xpath("/html/body/div[1]/div/div[4]/div/div[1]/main/article/div[5]/div[3]/div[1]/div/p[1]")
etybody = lxml.html.fromstring(pbody)
etytxt = etybody.xpath('text()')
etytxt = etytxt.replace("<em>", "")
etytxt = etytxt.replace("</em>", "")
return etytxt
此代码返回有关期望字符串或缓冲区的错误:
Traceback (most recent call last):
File "mott.py", line 47, in <module>
print wordorigins(x)
File "mott.py", line 30, in wordorigins
etybody = lxml.html.fromstring(pbody)
File "/usr/lib/python2.7/site-packages/lxml/html/__init__.py", line 866, in fromstring
is_full_html = _looks_like_full_html_unicode(html)
TypeError: expected string or buffer
思想?
答案 0 :(得分:1)
xpath()
方法返回结果列表,fromstring()
需要一个字符串。
但是,您不需要重新分析文档的一部分。只需使用您已经找到的内容:
def wordorigins(word):
pageopen = lxml.html.fromstring("http://www.merriam-webster.com/dictionary/" + str(word))
pbody = pageopen.xpath("/html/body/div[1]/div/div[4]/div/div[1]/main/article/div[5]/div[3]/div[1]/div/p[1]")[0]
etytxt = pbody.text_content()
etytxt = etytxt.replace("<em>", "")
etytxt = etytxt.replace("</em>", "")
return etytxt
请注意,我使用的是text_content()
方法,而不是xpath("text()")
。
答案 1 :(得分:1)
正如@alecxe的回答中所提到的,xpath()
方法在这种情况下会返回匹配元素的列表,因此当您尝试将列表传递给lxml.html.fromstring()
时会出现错误。另外需要注意的是,XPath的text()
函数和lxml
的{{1}}方法都不会返回包含text_content()
标记的字符串。它们会自动删除标签(如果有),因此不需要两条<em></em>
行。您只需使用replace()
或XPath的text_content()
函数(而不是string()
):
text()