Question

我有这个HTML结构：

<div>
    <table>
       <tbody>
          <tr>
            <td>stuff</td>
          </tr>
          <tr>
            <td>
              <div>The content I want</div> 
           </td>
           </tr>
        </tbody>
      </table>
</div>

如何获取“我想要的内容”并删除所有html标签？

由于

Answer 1

使用BeautifulSoup，例如

>>> from BeautifulSoup import BeautifulSoup as bs
>>> text = """<div>
...     <table>
...        <tbody>
...           <tr>
...             <td>stuff</td>
...           </tr>
...           <tr>
...             <td>
...               <div>The content I want</div> 
...            </td>
...            </tr>
...         </tbody>
...       </table>
... </div>"""
>>> a = bs(text)

由于所有<tr>标记都包含一些内容，并且您需要来自 second 行的数据，因此您无法使用a.text，但需要多做一些事情络合物：

>>> a.table.tbody.findAll("tr")[1].div.text
u'The content I want'

或者，如果表行（<div>）上只有一个<tr>标记，您也可以遍历标记，例如：

>>> a.table.tbody.div.text
u'The content I want'

或者您可以使用lxml模块中的html解析器，如下所示：

>>> from lxml import html
>>> t = html.fromstring(text)
>>> t.xpath("table/tbody/tr[2]/td/div")[0].text
'The content I want'

Answer 2

我个人已经做了大量的抓取并使用Firebug（一个非常受欢迎的Firefox插件）来检查网站的html和布局，然后使用BeautifulSoup（Python库，广泛使用用来从网站上抓取信息）。这两种工具相互补充。

Answer 3

看一下BeautifulSoup，这是一个非常棒的解析HTML / XML的库。文档非常好，并且有关于如何提取特定标记的示例。

Answer 4

使用像lxml这样的XML解析器。您不必删除任何内容。您只需从该div中提取数据。

由于您只有一个div，因此有效的XPath查询可能是//div

像BeautifulSoup看起来那样优雅和简单，它不像XPath表达式那样与语言无关。

Python：如何提取表中列的内容

4 个答案: