我正在尝试使用html5lib将html页面解析为可以使用xpath查询的内容。html5lib几乎没有文档,我花了太多时间试图解决这个问题。最终目标是拉出表的第二行:
<html>
<table>
<tr><td>Header</td></tr>
<tr><td>Want This</td></tr>
</table>
</html>
所以让我们试试:
>>> doc = html5lib.parse('<html><table><tr><td>Header</td></tr><tr><td>Want This</td> </tr></table></html>', treebuilder='lxml')
>>> doc
<lxml.etree._ElementTree object at 0x1a1c290>
看起来不错,让我们看看还有什么:
>>> root = doc.getroot()
>>> print(lxml.etree.tostring(root))
<html:html xmlns:html="http://www.w3.org/1999/xhtml"><html:head/><html:body><html:table><html:tbody><html:tr><html:td>Header</html:td></html:tr><html:tr><html:td>Want This</html:td></html:tr></html:tbody></html:table></html:body></html:html>
哈哈,哇?
说真的。我本来打算使用一些xpath来获取我想要的数据,但这似乎行不通。那我该怎么办?我愿意尝试不同的图书馆和方法。
您要使用的是
namespaceHTMLElements
参数,由于某些原因,它默认为True。不过,使用lxml.html可能更容易。
缺少文档是避免使用IMO库的一个很好的理由,不管它有多酷。你对使用html5lib很着迷吗?你看过lxml.html了吗?
下面是一种使用lxml的方法:
结果:
我总是建议尝试
lxml
库。它速度惊人,有许多特点。如果需要,它还支持html5lib解析器:html5parser
相关问题 更多 >
编程相关推荐