在 Python lxml 中抓取 HTML 表

Question

这个问题听起来很简单，但我在解决它时遇到了困难。我有一个如下表：

<table><tbody>
<tr>
<td>2003</td>
<td><span class="positive">1.19</span> </td>
<td><span class="negative">-0.48</span> </td>
</tr>

我的代码如下：

 from lxml import etree

 for elem in tree.xpath('//*[@id="printcontent"]/div[8]/div/table/tbody/tr'):
    for c in elem.xpath("//td"):
        if(c.getchildren()): # for the <span> thing
            text = c.xpath("//span/text()")
        else:
             text = c.text

但我无法遍历“td”元素。我一直在尝试这一天，但无济于事！我想得到 2003。1.19 和 -0.48。

请帮忙！

Answer 1

看起来您使用的是 HTML，而不是 XML。因此，使用 lxml.html，而不是 lxml.etree 解析数据。如果data.html 看起来像这样：

<table><tbody>
<tr>
<td>2003</td>
<td><span class="positive">1.19</span> </td>
<td><span class="negative">-0.48</span> </td>
</tr>

然后

import lxml.html as LH
tree = LH.parse('data.html')
print([td.text_content() for td in tree.xpath('//td')])

产量

['2003', '1.19 ', '-0.48 ']

如果

for elem in tree.xpath('//*[@id="printcontent"]/div[8]/div/table/tbody/tr'):

没有返回任何elems，那么您需要向我们展示足够的 HTML 来帮助我们调试为什么这个 XPath 不起作用。