Question

这可能是愚蠢的事。但我正在尝试编写一个简单的刮刀来从这个网站上获取列表：https://online.ncat.nsw.gov.au/Hearing/HearingList.aspx?LocationCode=2000

嗯，实际上它最终将针对每个LocationCode运行，但这是一个示例页面。

我想提取每个日期的<span>标题和table数据。

数据的一般形式是：

<span id="lblSubHeader1242017" class="clsGridItem">1:15 PM Wednesday, 12 Apr 2017 at Room 15.6 Level 15, 66 Goulburn st </span>
<hr />
<table id="dg1242017">
    <tr class="clsGridItem">
        <td width="15%">RT 17/11111</td>
        <td width="30%">Name of party</td>
        <td width="55%">Name of party</td>
    </tr>
    ...
 </table>

虽然很粗糙，但我可以使用以下形式的代码轻松获取表格数据：

page = requests.get('https://online.ncat.nsw.gov.au/Hearing/HearingList.aspx?LocationCode=2000')
tree = html.fromstring(page.content)
events = tree.xpath('//table//td/text()')

但是当我尝试抓住桌子外面的跨度时，我可以获得位置和日期信息，例如：

days = tree.xpath('//span[starts-with(@id,"lbl")]/text()')

或

days = tree.xpath('//span[@class,"clsGridItem"]/text()')

我只得到以下两个结果：

days:  ['There are no matters listed in SYDNEY today', 'There are no matters listed in SYDNEY today']

这些涉及两个跨度，大约是页面下方的2/3：

<span id="lbl1442017" style="font-weight:bold;">SYDNEY: Friday, 14 Apr 2017</span><br /><br /><span id="lblError1442017" class="clsGridItem">There are no matters listed in SYDNEY today</span><br /><br /><br /><span id="lbl1742017" style="font-weight:bold;">SYDNEY: Monday, 17 Apr 2017</span><br /><br /><span id="lblError1742017" class="clsGridItem">There are no matters listed in SYDNEY today</span>

有人可以向我解释我做错了吗？

为什么跳过其他跨度？

Answer 1

您可以使用以下代码获取<span class="clsGridItem">的每个文字内容：

days = tree.xpath('//span[@class="clsGridItem"]//text()')

但我不知道为什么//span[@class="clsGridItem"]/text()不能正常工作should be applicable as well...

无法提取匹配类或ID

1 个答案: