[英]How do I use lxml and python to traverse the <body> of a html document along with its children
我想获取一个html文档,并使用其子元素遍历该文档的<body>
部分。 我看到了很多通过xpath或标记名获取子树的示例,但这似乎没有给孩子。
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
非常感谢任何帮助。
我有类似的困难,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遍历该迭代器
例如,root在这里将为您提供身体,您可以迭代身体的每个元素
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)
看来您的html代码格式无效,我刚刚用beautifuSoup写了一个小程序,也许您可以根据自己的目的进行修改:
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)
输出量
<h1>page title</h1>
<p>some text</p>
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.