需要 python lxml 语法帮助来解析 html

Question

我是 python 的新手，我需要一些有关使用 lxml 查找和迭代 html 标签的语法的帮助。 以下是我正在处理的用例：

HTML 文件的格式相当好（但并不完美）。 屏幕上有多个表格，其中一个包含一组搜索结果，每个表格包含页眉和页脚。 每个结果行都包含一个搜索结果详细信息的链接。

1. 我需要找到包含搜索结果行的中间表（我能够弄清楚这个）：

    self.mySearchTables = self.mySearchTree.findall(".//table") 
         self.myResultRows = self.mySearchTables[1].findall(".//tr") 
     

2. 我需要找到该表格中包含的链接（这是我的位置）我被卡住了）：

   self.myResultRows 中的 searchRow 的

   ： 
             searchLink = PatentRow.findall(".//a") 
     

   它似乎并没有真正找到链接元素。

3. 我需要链接的纯文本。 我想如果我实际上首先获得了链接元素，它会类似于 searchLink.text 。

最后，在 lxml 的实际 API 参考中，我无法找到有关 find 和 findall 调用的信息。 我从谷歌上找到的一些代码中收集了这些。 我是否遗漏了有关如何使用 lxml 有效查找和迭代 HTML 标签的信息？

Answer 1

好的，首先，关于解析 HTML：如果您遵循 zweiterlinde 和 S.Lott 的建议，至少使用 lxml 中包含的 beautifulsoup。 这样您还将获得良好的 xpath 或 css 选择器界面的好处。

不过，我个人更喜欢 Ian Bicking 的 lxml 中包含的 HTML 解析器。

其次，.find()和.findall()来自lxml试图与ElementTree兼容，这两个方法在ElementTree 中的 XPath 支持。

这两个函数相当容易使用，但它们是非常有限的 XPath。 我建议尝试使用完整的 lxml xpath() 方法 或者，如果您已经熟悉 CSS，请使用 cssselect()方法。

以下是一些示例，其中 HTML 字符串解析如下：

from lxml.html import fromstring
mySearchTree = fromstring(your_input_string)

使用 css 选择器类，您的程序大致如下所示：

# Find all 'a' elements inside 'tr' table rows with css selector
for a in mySearchTree.cssselect('tr a'):
    print 'found "%s" link to href "%s"' % (a.text, a.get('href'))

使用 xpath 方法的等效方法是：

# Find all 'a' elements inside 'tr' table rows with xpath
for a in mySearchTree.xpath('.//tr/*/a'):
    print 'found "%s" link to href "%s"' % (a.text, a.get('href'))

Answer 2

您没有在该项目中使用Beautiful Soup 是否有原因？ 这将使处理不完美的文档变得更加容易。