为 html 表提取 lxml xpath
Posted
技术标签:
【中文标题】为 html 表提取 lxml xpath【英文标题】:Extracting lxml xpath for html table 【发布时间】:2011-07-31 23:21:57 【问题描述】:我有一个类似于以下内容的 html 文档:
<html xmlns="http://www.w3.org/1999/xhtml" xmlns="http://www.w3.org/1999/xhtml">
<div id="Symbols" class="cb">
<table class="quotes">
<tr><th>Code</th><th>Name</th>
<th style="text-align:right;">High</th>
<th style="text-align:right;">Low</th>
</tr>
<tr class="ro" onclick="location.href='/xyz.com/A.htm';" style="color:red;">
<td><a href="/xyz.com/A.htm" title="Display,A">A</a></td>
<td>A Inc.</td>
<td align="right">45.44</td>
<td align="right">44.26</td>
<tr class="re" onclick="location.href='/xyz.com/B.htm';" style="color:red;">
<td><a href="/xyz.com/B.htm" title="Display,B">B</a></td>
<td>B Inc.</td>
<td align="right">18.29</td>
<td align="right">17.92</td>
</div></html>
我需要从表中提取code/name/high/low
信息。
我使用了 Stack Over Flow 中类似示例之一的以下代码:
#############################
import urllib2
from lxml import html, etree
webpg = urllib2.urlopen(http://www.eoddata.com/stocklist/NYSE/A.htm).read()
table = html.fromstring(webpg)
for row in table.xpath('//table[@class="quotes"]/tbody/tr'):
for column in row.xpath('./th[position()>0]/text() | ./td[position()=1]/a/text() | ./td[position()>1]/text()'):
print column.strip(),
print
#############################
我没有得到任何输出。我必须将第一个循环 xpath 从 table.xpath('//table[@class="quotes"]/tbody/tr')
更改为 table.xpath('//tr')
我只是不明白为什么xpath('//table[@class="quotes"]/tbody/tr')
不起作用。
【问题讨论】:
我发现了我的问题。不知何故, 标签被删除了。在 Firebug 中, 确实出现在您可能正在查看 Firebug 中的 HTML,对吗?当文档中不存在隐式标记<tbody>
时,浏览器将插入它。 lxml 库只会处理原始 HTML 字符串中存在的标签。
在 XPath 中省略 tbody 级别。例如,这有效:
tree = lxml.html.fromstring(raw_html)
tree.xpath('//table[@class="quotes"]/tr')
[<Element tr at 1014206d0>, <Element tr at 101420738>, <Element tr at 1014207a0>]
【讨论】:
我在 Chrome 中也遇到过这种情况。在“检查”右键菜单中使用其Copy XPath
功能。有点傻。
您知道 FF/Chrome 中可能发生的任何其他“路径更改规则”吗?编译它们会很有趣。以上是关于为 html 表提取 lxml xpath的主要内容,如果未能解决你的问题,请参考以下文章
非结构化数据与结构化数据提取----XPath与lxml类库
Python知识点 - Xpath提取某个标签,需要转换为HTML。