Python 使用lxml html从嵌套元素中提取特定元素

大家好，我有一些问题，我认为可以归因于xpath问题。我正在使用lxml包中的html模块尝试获取一些数据。我在下面提供了最简单的情况，但请记住，我使用的html要难看得多

<table>
    <tr>
    <td>
        <table>
            <tr><td></td></tr>
            <tr><td>
                <table>
                    <tr><td><u><b>Header1</b></u></td></tr> 
                    <tr><td>Data</td></tr>
                </table>
            </td></tr>
        </table>
     </td></tr>
</table>

但这给了我所有的表元素。我只想要一个包含此文本的表。我知道发生了什么，但除了爆发一些讨厌的正则表达式外，我很难想出如何做到这一点。

---

有什么想法吗

也许这对你有用：

tree.xpath("//table[not(descendant::table)]/*[contains(., 'Header1')]")

not（后代：：表）

位确保获得最内层的表

table, = tree.xpath('//*[.="Header1"]/ancestor::table[1]')

• /*[text（）=“Header1”]

  使用文本

  Header1

  选择文档中任意位置的元素

• 祖先：：表[1]

  选择元素的第一个祖先，即

  表

完整示例

#/usr/bin/env python
从lxml导入html
第“”页
校长1
资料
"""
tree=html.fromstring（第页）
表，=tree.xpath（'/*[.=“Header1”]/祖先：：表[1]'）
打印html.tostring（表）

找到您感兴趣的标题，然后拉出其表格

//u[b = 'Header1']/ancestor::table[1] 并期望内部谓词（

/*…

）神奇地从正确的上下文开始。使用

/

从上下文节点开始。即使如此，这：

//table[.//*[contains(text(), "Header1")]] //表[./*[包含（text（），“Header1”）]] 因为即使是最外层的表也包含深层的文本

'Header1'

，所以谓词对示例中的每个表的计算结果都是true。像我那样使用

not（）

，确保没有嵌套其他表

另外，不要在每个节点上测试该条件，因为它不可能在每个节点上都是真的。更有效的方法是具体化。

使用：

//td[text() = 'Header1']/ancestor::table[1]

---

虽然这个例子是正确的，但我认为使用

/*[.=“Header1”]

太通用了。输入中可能有一个

see Header1

，您的表达式将与

@Tomalak匹配：它总是匹配

元素。什么元素包含

“Header1”

并不重要，只要它在

元素中的某个地方就行了。对，这里没有参数。尽管如此，我的观点是，您可能没有匹配表头本身，但是任何偶然包含文本

'Header1'

的泛型内容。很可能您匹配了错误的表。@DerrickPetzold:有关良好的XPath/XSLT资源，请参阅以下答案：@DimitreNovatchev您所指的答案已被删除： //td[not(.//table) and .//b = 'Header1']/ancestor::table[1] //table[//*[contains(text(), "Header1")]] //table[.//*[contains(text(), "Header1")]]

//td[text() = 'Header1']/ancestor::table[1]