Question

假设我有这个：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<HTML LANG="ja">
<HEAD>
<META http-equiv="Content-Type" content="text/html; charset=Shift_JIS">
<META name="GENERATOR" content="snanail Version 2.18">
<TITLE>-www.example.org-</TITLE>

<STYLE type="text/css">
<!--
H1.TITLE {
font-size : 10 pt;
font-family : "Arial";
color : #FFFFFF;
}
-->
</STYLE>

</HEAD>
<BODY>
<CENTER>
<TABLE BORDER="0" CELLSPACING="1" CELLPADDING="6" ALIGN="CENTER">
<TR>
  <TD WIDTH="100">
    <TABLE ALIGN="CENTER" CELLPADDING="4" CELLSPACING="1">
      <TR>
        <TD HEIGHT="100" WIDTH= "68" ALIGN="CENTER" VALIGN="MIDDLE">
          <A HREF="001.html" TARGET="_blank"><IMG SRC="001_thumb.png" WIDTH="56" HEIGHT="80" ALT="001_thumb.png" BORDER="0"></A>
        </TD>
      </TR>
      <TR>
        <TD HEIGHT="40" ALIGN="CENTER" VALIGN="MIDDLE">
          <FONT SIZE="2" COLOR="#FFFFFF">001.jpg</FONT><BR>
          <FONT SIZE="2" COLOR="#FFFFFF">300 x 300 （806 KB）</FONT><BR>
        </TD>
      </TR>
    </TABLE>
  </TD>
  <TD WIDTH="100">
    <TABLE ALIGN="CENTER" CELLPADDING="4" CELLSPACING="1">
      <TR>
        <TD HEIGHT="100" WIDTH= "68" ALIGN="CENTER" VALIGN="MIDDLE">
          <A HREF="002.html" TARGET="_blank"><IMG SRC="002_thumb.png" WIDTH="56" HEIGHT="80" ALT="002_thumb.png" BORDER="0"></A>
        </TD>
      </TR>
      <TR>
        <TD HEIGHT="40" ALIGN="CENTER" VALIGN="MIDDLE">
          <FONT SIZE="2" COLOR="#FFFFFF">002.jpg</FONT><BR>
          <FONT SIZE="2" COLOR="#FFFFFF">300 x 300 （627 KB）</FONT><BR>
        </TD>
      </TR>
    </TABLE>
  </TD>
</TR>
</TABLE>
</CENTER>
</HTML>

我想找到页面中的所有网址，然后执行：

tree = lxml.html.parse('example.html')
links = tree.xpath('//a/@href')

然而我只得到第一个（001.html）。这是为什么？我尝试使用getroot()后手动迭代树，似乎只有第一个第一个url的表是可见的。我不明白。

编辑：我再次使用我发布的示例进行了测试，它实际上有效，经过一些测试后，似乎我删除了头部，它的工作原理......也许其中有些东西打破了解析器？我不知道。我想解决此问题的最佳方法是搜索文件并删除<head>和</head>之间的任何内容？由于解析没有按预期工作，我无法解析它。所以我已将头部添加到示例中以便它打破。

Answer 1

使用示例html文件和此脚本：

from lxml import etree

parser = etree.HTMLParser(encoding='utf8')
tree = etree.parse('source.html', parser)
print tree.xpath('//a/@href')

给出：

['001.html', '002.html']

Answer 2

您是否尝试将文档声明为XHTML？

示例开头的doctype告诉您正在使用HTML，这不是有效的XML，因此xml解析器可能会在doctype之后停止处理输入。请记住，XPath需要有效的XML输入才能工作。

因此，如果您使用XHTML doctype，则XML解析器将不再中断doctype，并完整地解析输入。

Python：为什么Xpath似乎只处理这棵树中的第一个元素？

2 个答案: