我如何用lxml解析html

Question

我有這個HTML：

<td class="name-td alLeft bordR">13.10.2016, Thu<span class="sp">|</span>17:00</td>

我想獲取一個日期（13.10.2016）和一個時間（17:00）。

我正在這樣做：

t = lxml.html.parse(url)
nextMatchDate = t.findall(".//td[@class='bordR']")[count].text

但是遇到錯誤

IndexError: list index out of range

我想這是因為我有一個HTML標簽a標簽

請問你能幫幫我嗎？

Answer 1

問題在於您檢查bordR類的方式。 class是用空格分隔的多值屬性，您必須考慮元素上的其他類。 在XPath中，您應該使用“包含”：

.//td[contains(@class, 'bordR')]

或者，甚至更可靠的方法是將“ concat”添加到部分匹配檢查中 。

找到元素后，就可以使用.text_content()方法獲取包括所有子元素的完整文本：

In [1]: from lxml.html import fromstring

In [2]: data = '<td class="name-td alLeft bordR">13.10.2016, Thu<span class="sp">|</span>17:00</td>'

In [3]: td = fromstring(data)

In [4]: print(td.text_content())
13.10.2016, Thu|17:00

要更進一步，您可以將日期字符串加載到datetime對象中 ：

In [5]: from datetime import datetime
In [6]: datetime.strptime(td.text_content(), "%d.%m.%Y, %a|%H:%M")
Out[6]: datetime.datetime(2016, 10, 13, 17, 0)

Answer 2

有一種稱為.itertext的方法，該方法是：

遍歷子樹的文本內容。

所以，如果你有一個元素td在變量td ，你可以這樣做：

>>> text = list(td.itertext()); text
['13.10.2016, Thu', '|', '17:00']

>>> date, time = text[0].split(',')[0], text[-1]

>>> datetime_text = '{} at {}'.format(date, time)

>>> datetime_text
'13.10.2016 at 17:00'