Question

我有这个HTML：

<td class="name-td alLeft bordR">13.10.2016, Thu<span class="sp">|</span>17:00</td>

我想要约会（13.10.2016）和时间（17:00）。

我这样做：

t = lxml.html.parse(url)
nextMatchDate = t.findall(".//td[@class='bordR']")[count].text

但是收到错误，

IndexError: list index out of range

我认为这是因为我在a标记

中有html标记

你能帮我吗？

Answer 1

问题在于您检查bordR课程的方式。 class是一个多值空格分隔属性，您必须考虑元素上的其他类。在XPath中，您应该使用“contains”：

.//td[contains(@class, 'bordR')]

或者，更可靠的是add "concat" to the partial match check。

找到元素后，您可以使用.text_content()方法获取包含所有孩子的完整文本：

In [1]: from lxml.html import fromstring

In [2]: data = '<td class="name-td alLeft bordR">13.10.2016, Thu<span class="sp">|</span>17:00</td>'

In [3]: td = fromstring(data)

In [4]: print(td.text_content())
13.10.2016, Thu|17:00

要更进一步，您可以load the date string into a datetime object：

In [5]: from datetime import datetime
In [6]: datetime.strptime(td.text_content(), "%d.%m.%Y, %a|%H:%M")
Out[6]: datetime.datetime(2016, 10, 13, 17, 0)

Answer 2

有一种名为.itertext的方法：

迭代子树的文本内容。

因此，如果变量td中有元素td，则可以执行此操作：

>>> text = list(td.itertext()); text
['13.10.2016, Thu', '|', '17:00']

>>> date, time = text[0].split(',')[0], text[-1]

>>> datetime_text = '{} at {}'.format(date, time)

>>> datetime_text
'13.10.2016 at 17:00'

我怎么能用lxml解析html

2 个答案: