使用lxml.html拆分HTML文档

Question

我有一个HTML文档，里面包含了多个章节的内容，每个章节的开头都是一个H1标签。请问我怎么把这个文档分成多个HTML小片段，每个片段都以对应章节的H1标签开始。我想过先美化一下HTML，然后逐行处理内容……不过这样有点像是变通的办法。有没有更好的方法可以用lxml来实现呢？

Answer 1

tree = lxml.html.document_fromstring(htmltext)
for element in tree.iter():
  if element.tag == 'h1':
    for subelement in element:
      // do stuff

这段代码会找到所有的h1标签，然后你可以遍历它里面的所有子元素。你也可以直接把这个元素里的所有文本提取出来，作为一个字符串，然后用这个字符串做你想做的事情。随你怎么处理都可以。http://lxml.de/ lxml非常棒，我推荐你使用它。我之前也用过这个库，更新代码的时候总是把网站打开，遇到问题就去查阅一下 :)