Python 用lxml解析HTML数据

我是一名编码初学者，我的一位朋友告诉我使用BeautifulSoup而不是HTMLPasser。遇到一些问题后，我得到了一个建议，用lxml代替beayfulsoup，因为它比beayfulsoup好10倍

我希望有人能给我一个提示，如何刮我正在寻找的文本

我想要的是找到一个包含以下行和数据的表：

<tr>
    <td><a href="website1.com">website1</a></td>
    <td>info1</td>
    <td>info2</td>              
    <td><a href="spam1.com">spam1</a></td>
</tr>
<tr>
    <td><a href="website2.com">website2</a></td>
    <td>info1</td>
    <td>info2</td>              
    <td><a href="spam2.com">spam2</a></td>
</tr>

---

我使用xpath：

td/a[not（包含（，“垃圾邮件”）]/@href | td[not（a）]/text（）

结果：

[['website1.com', 'info1', 'info2'], ['website2.com', 'info1', 'info2']]
[['website1.com'，'info1'，'info2']，['website2.com'，'info1'，'info2']]
长XPath具有以下含义：

td[1]                                   find the first <td>  
  /a                                    find the <a>
    /@href                              return its href attribute value
|                                       or
td[position()=2 or position()=3]        find the second or third <td>
  /text()                               return its text value

td[1]找到第一个
/a找到
/@href返回其href属性值
|或
td[position（）=2或position（）=3]查找第二个或第三个
/text（）返回其文本值
表中的所有表行都相同。我正在使用Python 2.7.2+。在表行中，我只想要前3个，结果是。所以['url（website1）'，'info1'，'info2']，['url（website2）'，'info1'，'info2']。谢谢你的回复。我想可以有把握地假设实际内容中不会包含垃圾邮件。虽然只有@Trees才能真正告诉我们数据的哪些方面是一致的。@Acorn改为
包含（，“垃圾邮件”）
<代码>垃圾邮件

可以被类似于

ad.website.com

的模式所取代。你只需要几行代码就可以让我开心一天。谢谢你的解释。实际上所有的答案都很好。我正在学习xpath，以便使用firebug获得它。但是his更容易找到第一个表行并处理其中的数据。再次感谢大家，圣诞快乐：）

import lxml.html as lh

tree = lh.fromstring(your_html)

result = []
for row in tree.xpath("tr"):
    url, info1, info2 = row.xpath("td")[:3]
    result.append([url.xpath("a")[0].attrib['href'],
                   info1.text_content(),
                   info2.text_content()])

[['website1.com', 'info1', 'info2'], ['website2.com', 'info1', 'info2']]

import lxml.html as LH

doc = LH.fromstring(content)
print([tr.xpath('td[1]/a/@href | td[position()=2 or position()=3]/text()')
       for tr in doc.xpath('//tr')])

td[1]                                   find the first <td>  
  /a                                    find the <a>
    /@href                              return its href attribute value
|                                       or
td[position()=2 or position()=3]        find the second or third <td>
  /text()                               return its text value