代码之家 › 专栏 › 技术社区 › fleaheap

如何使用lxml和python遍历html文档及其子文档的<body>

lxml python

fleaheap · 技术社区 · 8 年前

我想获取一个html文档并遍历 <body> 文档的一部分及其子项。我看到了很多通过xpath或标记名获取子树的示例,但这似乎并没有给孩子们提供。

import lxml
from lxml import html, etree  

html3 = "<html><head><title>test<body><h1>page title</h3><p>some text</p>"
root = lxml.html.fromstring(html3)
tree = etree.ElementTree(root)
for el in root.iter():
    # do something
    print(el.text, tree.getpath(el))

这将输出

None /html
None /html/head
test /html/head/title
None /html/body
page title /html/body/h1
some text /html/body/p

我只想要

page title /html/body/h1
some text /html/body/p

感谢您的帮助。

2 回复 | 直到 8 年前

Manjit Ullal 8 年前

我遇到了类似的困难,然后我发现每个etree节点都有一个迭代器,如果它的父节点可以使用它进行遍历的话

例如,这里的root将为您提供body,您可以使用它迭代body的每个元素

from lxml import etree
parser = etree.HTMLParser()
tree   = etree.parse('yourdocument.html', parser)

root = tree.xpath('/html/body/')[0]
for i in root.getiterator():
    print(i.tag,i.text)

Alex Lee 8 年前

您的html代码似乎有一个无效的格式,我刚刚用beautifuSoup编写了一个小程序,您可以使用该程序进行修改:

from bs4 import BeautifulSoup
html3 = "<html><head><title>test</title></head><body><h1>page title</h1><p>some text</p><body></html>"
soup = BeautifulSoup(html3, "html5lib")
body = soup.find('body')

for item in body.findChildren():
    print(item)

输出

<h1>page title</h1>
<p>some text</p>

推荐文章

Google User · Django管理员在`list_display中未显示`creation_date`字段`

1 年前

user29747013 · 如何创建一个新的数据框架,其中包含原始数据框架中列的聚合列?

1 年前

ÎÎÎ½Î· ÎÎ®Î¹Î½Î¿Ï · Python lxml.html语法错误:使用lxml find时XPATH的谓词无效

1 年前

user29715306 · from_users=和chats=电视节目中的差异

1 年前

Redshoe · 当执行numpy.genfromtxt()时,python是否会读取文件的所有行?

1 年前

RASEL MAHMUD · 为什么以及如何在is_even()函数内的IF条件中递归X变量在满足0后递增?[副本]

1 年前

prayner · 更新嵌套字典包含列表中的项

1 年前

Bringo Jr · 我可以在O(n)中解决这个问题吗?

1 年前

Dave · 如何在for循环中修改列表值

1 年前

Shukurullox Komiljonov · 从记录中获得相互和解。使用SQL

1 年前