python - 用lxml解析html(标签h3)

Question

我正在尝试解析一些 html，但是这段 html 代码有点问题。

XML:

<div>
    <p><span><a href="../url"></a></span></p>
    <h3 class="header"><a href="../url">Other</a></h3>
    <a href="../url">Other</a><br>
    <a class="aaaaa" href="../url">Indice</a>
    <p></p>               
</div>

代码:

import urllib
from lxml import etree
import StringIO
resultado=urllib.urlopen('trozo.html')
html = resultado.read()
parser= etree.HTMLParser()
tree=etree.parse(StringIO.StringIO(html),parser)
xpath='/div/h3'
html_filtrado=tree.xpath(xpath)
print html_filtrado

当我打印它出现的代码时 []，我想它应该是一个带有 <h3 class="header"><a href="../url">Other</a></h3> 的列表。在里面。如果我有那个列表，我会执行 etree.tostring(html_filtrado) 来查看 <h3 class="header"><a href="../url">Other</a></h3> .

那么怎么才能得到这个code呢？

<h3 class="header"><a href="../url">Other</a></h3>

或者只有../url ？这是我想要的部分!!

谢谢

Answer 1

您示例中的 XPath 查询不太正确。

要获取 div 标签中所有 h3 标签的列表，您应该使用:

elements = tree.xpath('//div/h3')
etree.tostring(elements[0])

应该给出:

'<h3 class="header"><a href="../url">Other</a></h3>\n'

要获取 h3 标签内 a 标签的所有 href 属性的列表，您可以使用如下内容:

tree.xpath('//h3/a/@href')

给出:

['../url']