python提取标签中的内容
抓取了一个网页,网页中一部分内容如下:
我使用如下代码:
import codecs#coding=utf-8
from lxml import etree
f=codecs.open("1.html","r","utf-8")
content=f.read()
f.close()
tree=etree.HTML(content)
node=tree.xpath("//div[@class='content']")[0]
print node.text.encoding('gbk')
但是只能输出:奥迪阿萨德,第一个之后的内容都不能输出,请问该如何解决?
回答:
lxml 的element.text
返回的是这个元素第一个节点的内容,所以会出现这样的问题。可以用getText
这个辅助方法来解决:
# require lxml# version: python2
def getText(elem):
rc = []
for node in elem.itertext():
rc.append(node.strip())
return ''.join(rc)
这里可以直接修改最后一行即可:
import codecs#coding=utf-8
from lxml import etree
def getText(elem):
rc = []
for node in elem.itertext():
rc.append(node.strip())
return ''.join(rc)
f=codecs.open("1.html","r","utf-8")
content=f.read()
f.close()
tree=etree.HTML(content)
# 返回的是lxml.etree._Element,可以直接作为getText参数来调用。
node=tree.xpath("//div[@class='content']")[0]
print getText(node).encoding('gbk')
这里的getText只是简单的实现,比如下面的xml文本会打印abdc
,应该可以达到你的要求。
<div class="content"> a<em>b <em>d</em></em>c
</div>
回答:
#!/usr/bin/env python3from bs4 import BeautifulSoup
f = open("1.html", "r")
html = BeautifulSoup( f.read() )
node = html.select(".content")[0]
print( node.prettify() )
html.select(".content")
这个可能需要更多的选择器限定一下。另外只是大概写了下BeautifulSoup
如何运作的,具体需求可以查看手册:Beautiful Soup 文档
以上是 python提取标签中的内容 的全部内容, 来源链接: utcz.com/a/165648.html