[英]Scraping href title using lxml and XPath
from lxml import html
import requests
for i in range(44,530): # Number of pages plus one
url = "http://postscapes.com/companies/r/{}".format(i)
page = requests.get(url)
tree = html.fromstring(page.content)
contactemail = tree.xpath('//*[@id="rt-mainbody"]/div/div/div[2]/div[4]/address/a')
print contactemail
我正在尝试从公司目录中的 900 个不同页面中抓取电子邮件。 每个页面的 HTML 代码都比较相似。 但是, Contactemail 返回元素值。 上面的 XPath 是下面代码的 href 值。 我只想通过 XPath 从 href 值中提取标题contact@23-de-enero.com ,但我不知道从哪里开始。 我也希望这适用于不同的页面,而不仅仅是这个 href 值/网页。
<a href="mailto:contact@23-de-enero.com">contact@23-de-enero.com</a>
我研究了正则表达式,并尝试使用contactemail.textcontent()
打印,但它不起作用。
有小费吗?
有一些可能的方法来提取相同的值,即电子邮件地址,例如:
# get email address from inner text of the element :
print contactemail[0].text
# get email address from href attribute + substring-after() :
print contactemail[0].xpath('substring-after(@href, "mailto:")')
如果在一个address
父元素中可能有多个a
元素,则可以使用列表理解语法:
print [link.text for link in contactemail]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.