如何从Python中的本地文件获取特定XPath中的所有原始html
我试图从一堆本地html文件中获取原始html。我从这篇文章中得到了一些帮助,可以读入原始文件: 但是我现在使用的代码生成了整个文件,而不是一个子集。现在,我似乎遗漏了一行,在这里我可以选择一个我想要获取的xpath 以下是我目前拥有的代码:如何从Python中的本地文件获取特定XPath中的所有原始html,python,lxml,lxml.html,Python,Lxml,Lxml.html,我试图从一堆本地html文件中获取原始html。我从这篇文章中得到了一些帮助,可以读入原始文件: 但是我现在使用的代码生成了整个文件,而不是一个子集。现在,我似乎遗漏了一行,在这里我可以选择一个我想要获取的xpath 以下是我目前拥有的代码: def stringify_children(node): from lxml.etree import tostring from itertools import chain parts = ([node.text] +
def stringify_children(node):
from lxml.etree import tostring
from itertools import chain
parts = ([node.text] +
list(chain(*([c.text, tostring(c), c.tail] for c
in node.getchildren()))) +
[node.tail])
# filter removes possible Nones in texts and tails
return ''.join(filter(None, parts))
for filename in os.listdir('../news/article/'):
if (filename.endswith('.html') and not filename.startswith('._')):
print filename;
with open('../news/article/' + filename, "r") as f:
page=f.read();
tree=html.fromstring(page);
maincontent = stringify_children(tree);
print maincontent;
我的最终目标是能够以字符串的形式获取它,并将其作为唯一的div输出到本地文件
以下是一个示例文件:
<html>
<head>
<title>Title</title>
<link rel="stylesheet" href="https://maxcdn.bootstrapcdn.com/bootstrap/3.3.6/css/bootstrap.min.css">
</head>
<body>
<div class="container">
<div class="row">
<div class="col-xs-4">
<div class="left-bar"></div>
</div>
<div class="col-xs-4">
<div class="middle-bar"></div>
</div>
<div class="col-xs-4">
<div class="right-bar"></div>
</div>
</div>
<div class="row">
<div class="col-xs-3">
<div class="navigation"></div>
</div>
<div class="col-xs-9">
<div class="main-content">
Hello
<br>
<br><a href="http://www.stackexchange.com">Click here to visit stack exchange</a>
<h1>This is an introduction</h1>
<h3>This is the third header</h3>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<ul>
<li>list text</li>
<li>list text</li>
<li>list text</li>
<li>list text</li>
</ul>
<div class="row">
<div class="col-xs-4"><img src="#">More content 1</div>
<div class="col-xs-4"><img src="#">More content 2</div>
<div class="col-xs-4"><img src="#">More content 3</div>
</div>
</div>
</div>
</div>
</div>
</body>
</html>
标题
你好
这是一个介绍
这是第三个标题
Lorem ipsum dolor sit amet
Lorem ipsum dolor sit amet
Lorem ipsum dolor sit amet
- 列表文本
- 列表文本
- 列表文本
- 列表文本
更多内容1
更多内容2
更多内容3
我想获取maincontent类下面的所有内容。以下是该文件中该类的xpath:
XPath:/html/body/div/div[2]/div[2]/div
程序应输出以下内容:
Hello
<br>
<br><a href="http://www.stackexchange.com">Click here to visit stack exchange</a>
<h1>This is an introduction</h1>
<h3>This is the third header</h3>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<ul>
<li>list text</li>
<li>list text</li>
<li>list text</li>
<li>list text</li>
</ul>
<div class="row">
<div class="col-xs-4"><img src="#">More content 1</div>
<div class="col-xs-4"><img src="#">More content 2</div>
<div class="col-xs-4"><img src="#">More content 3</div>
</div>
你好
这是一个介绍 这是第三个标题 Lorem ipsum dolor sit amet Lorem ipsum dolor sit amet Lorem ipsum dolor sit amet
- 列表文本
- 列表文本
- 列表文本
- 列表文本
您可以尝试使用BeautifulSoup。我对它不是很精通,但你可以这样做(或者更干净,如果你读了BeautifulSoup:) 您将得到如下输出:
Hello
<br/>
<br/> <a href="http://www.stackexchange.com">Click here to visit stack exchange</a>
<h1>This is an introduction</h1>
<h3>This is the third header</h3>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<p>Lorem ipsum dolor sit amet.....</p>
<ul>
<li>list text</li>
<li>list text</li>
<li>list text</li>
<li>list text</li>
</ul>
<div class="row">
<div class="col-xs-4"><img src="#"/>More content 1</div>
<div class="col-xs-4"><img src="#"/>More content 2</div>
<div class="col-xs-4"><img src="#"/>More content 3</div>
</div>
你好
这是一个介绍 这是第三个标题 Lorem ipsum dolor sit amet Lorem ipsum dolor sit amet Lorem ipsum dolor sit amet
- 列表文本
- 列表文本
- 列表文本
- 列表文本
到
的更改,并将保持元素内部的间距。使用lxml查看其上的文档::
from lxml import html
xm = html.fromstring(h)
div = xm.xpath("//div[@class='main-content']")[0]
print(div.text + "".join(map(html.tostring, div.xpath("./*"))))
或:
所以你不想要这个div本身?那会给你坏掉的html你确定你想要吗?是的。我确信,因为我将把数据导入到一个已经创建了该标记的新html文档中。
from lxml import html
xm = html.fromstring(h)
div = xm.xpath("//div[@class='main-content']")[0]
print(div.text + "".join(map(html.tostring, div.xpath("./*"))))
from lxml import html
xm = html.fromstring(h)
eles = xm.xpath("//div[@class='main-content']/text() | //div[@class='main-content']/*")
print("".join([ele if isinstance(ele, str) else html.tostring(ele) for ele in eles]))