python - 在 Python 中使用 LXML 解析 HTML

Question

我正在尝试为

解析一个网站

blahblahblah 
<a  href="THIS IS WHAT I WANT" title="NOT THIS">I DONT CARE ABOUT THIS EITHER</a>
blahblahblah 

(其中有很多，我希望它们都以某种标记化的形式出现)。不幸的是，HTML 非常大而且有点复杂，因此尝试沿着树向下爬行可能会花费我一些时间来整理嵌套元素。有没有简单的方法来检索它？

谢谢!

Answer 1

如果你只是想要 a 标签的 href，那么使用:

data = """blahblahblah 
<a  href="THIS IS WHAT I WANT" title="NOT THIS">I DONT CARE ABOUT THIS EITHER</a>
blahblahblah"""

import lxml.html
tree = lxml.html.fromstring(data)
print tree.xpath('//a/@href')

# ['THIS IS WHAT I WANT']