拼搶 <title>用lxml的iterparse標記

Question

我在HTML上使用lxml的iterparse了問題。 我正在嘗試獲取<title>的文本，但這個簡單的函數不適用於完整的網頁：

def get_title(str):
    titleIter = etree.iterparse(StringIO(str), tag="title")
    try:
        for event, element in titleIter:
            return element.text
        # print "Script goes here when it doesn't work"
    except etree.XMLSyntaxError:
        return None

這個函數在“ <title>test</title> ”之類的簡單輸入上工作正常，但是當我給它一個完整的頁面時，它無法提取標題。

更新：這是我正在使用的HTML：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html dir="ltr" lang="it" xmlns="http://www.w3.org/1999/xhtml">
<head>
<link rel="icon" href="http://www.tricommerce.it/tricommerce.ico" />
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1" />
<title>Tricommerce - Informazioni sulla privacy</title>
<meta name="description" content="Info sulla privacy" />
<meta name="keywords" content="Accessori notebook Alimentatori Case Cavi e replicatori Controllo ventole Lettori e masterizzatori Modding Pannelli &amp; display Dissipatori Tastiere e mouse Ventole Griglie e filtri Hardware Accessori vari Box esterni Casse e cuffie Sistemi a liquido Paste termiche vendita modding thermaltake vantec vantecusa sunmbeam sunbeamtech overclock thermalright xmod aerocool arctic cooling arctic silver zalman colorsit colors-it sharkoon mitron acmecom Info sulla privacy" />
<meta name="robots" content="index, follow" />
<link rel="stylesheet" href="http://www.tricommerce.it/css/tricommerce.css" />
<link rel="stylesheet" href="css/static.css" />
<script type="text/javascript" src="http://www.tricommerce.it/javascript/vertical_scroll.js"></script>

<script type="text/javascript">
//<![CDATA[
function MM_preloadImages() { //v3.0
 var d=document; if(d.images){ if(!d.MM_p) d.MM_p=new Array();
   var i,j=d.MM_p.length,a=MM_preloadImages.arguments; for(i=0; i<a.length; i++)
   if (a[i].indexOf("#")!=0){ d.MM_p[j]=new Image; d.MM_p[j++].src=a[i];}}
}
//]]>
</script>

<link rel="stylesheet" type="text/css" href="http://www.tricommerce.it/css/chromestyle.css" />

<script type="text/javascript" src="http://www.tricommerce.it/javascript/chrome.js">
/***********************************************
* AnyLink CSS Menu script- ? Dynamic Drive DHTML code library (www.dynamicdrive.com)
* This notice MUST stay intact for legal use
* Visit Dynamic Drive at http://www.dynamicdrive.com/ for full source code
***********************************************/
</script>

</head>
</html>

另外，快速說明我為什么使用iterparse--這是因為我不想加載整個DOM只是為了在文檔的早期獲得單個標記。

Answer 1

您可能希望發布至少部分您實際嘗試解析的數據。 沒有這些信息，這是一個猜測。 如果<html>元素定義了默認的XML命名空間，則在查找元素時需要使用它。 例如，看看這個簡單的文檔：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml"
  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://www.w3.org/MarkUp/SCHEMA/xhtml11.xsd"
  xml:lang="en">
  <head>            
    <title>Document Title</title>
  </head>
  <body>
  </body>
</html>

鑒於此輸入，以下將不返回任何結果：

>>> doc = etree.parse(open('foo.html'))
>>> doc.xpath('//title')
[]

這失敗是因為我們在沒有指定命名空間的情況下尋找<title>元素...並且沒有命名空間，解析器不會找到匹配項（因為foo:title與bar:title不同，假設foo:和bar:是定義的XML命名空間）。

您可以使用ElementTree接口顯式使用名稱空間，如下所示：

>>> doc.xpath('//html:title',
...   namespaces={'html': 'http://www.w3.org/1999/xhtml'})
[<Element {http://www.w3.org/1999/xhtml}title at 0x1087910>]

這是我們的比賽。

您也可以將名稱空間前綴傳遞給iterparse的tag參數：

>>> titleIter = etree.iterparse(StringIO(str), 
...   tag='{http://www.w3.org/1999/xhtml}title')
>>> list(titleIter)
[(u'end', <Element {http://www.w3.org/1999/xhtml}title at 0x7fddb7c4b8c0>)]

如果這不能解決您的問題，請發布一些示例輸入，我們將從那里開始工作。

拼搶 <title>用lxml的iterparse標記

問題描述

1 個解決方案

解決方案1
2 已采納 2012-04-24 01:40:07

拼搶 <title>用lxml的iterparse標記

問題描述

1 個解決方案

解決方案1 2 已采納 2012-04-24 01:40:07

解決方案1
2 已采納 2012-04-24 01:40:07