怎么用lxml從HTML文檔中提取所需信息

小億
101
2024-05-14 13:22:15

使用lxml庫(kù)從HTML文檔中提取所需信息可以按照以下步驟進(jìn)行：

  1. 導(dǎo)入lxml庫(kù)和相關(guān)模塊：
from lxml import etree
  1. 讀取HTML文檔并創(chuàng)建一個(gè)Element對(duì)象：
html = etree.parse('example.html')
  1. 使用XPath表達(dá)式來(lái)定位所需信息：
# 定位所有的<a>標(biāo)簽
links = html.xpath('//a')

# 定位class為'content'的<div>標(biāo)簽下的文本內(nèi)容
content = html.xpath('//div[@class="content"]/text()')
  1. 遍歷或輸出提取到的信息：
# 遍歷所有的<a>標(biāo)簽并輸出文本內(nèi)容和鏈接
for link in links:
    print(link.text, link.get('href'))

# 輸出class為'content'的<div>標(biāo)簽下的文本內(nèi)容
print(content)

通過(guò)以上步驟，就可以使用lxml庫(kù)從HTML文檔中提取所需信息了。需要注意的是，XPath表達(dá)式的語(yǔ)法和HTML文檔的結(jié)構(gòu)有關(guān)，可以根據(jù)具體的HTML文檔結(jié)構(gòu)來(lái)編寫(xiě)XPath表達(dá)式來(lái)定位所需信息。

0 踩