[英]How do I use lxml and python to traverse the <body> of a html document along with its children
我想獲取一個html文檔,並使用其子元素遍歷該文檔的<body>
部分。 我看到了很多通過xpath或標記名獲取子樹的示例,但這似乎沒有給孩子。
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))
這將輸出
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
非常感謝任何幫助。
我有類似的困難,然后我發現每個etree節點都有一個迭代器,如果它的父節點可以遍歷該迭代器
例如,root在這里將為您提供身體,您可以迭代身體的每個元素
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)
看來您的html代碼格式無效,我剛剛用beautifuSoup寫了一個小程序,也許您可以根據自己的目的進行修改:
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)
輸出量
<h1>page title</h1>
<p>some text</p>
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.