Python 使用lxml/xpath解析html元素

使用lxml/python和xpath，我检索了标记之间的值。 我想得到的html属性，不仅是文本，我的程序工作，但跳过了两行

python:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import lxml.html
htmltree = lxml.html.parse('data.html')
res = htmltree.xpath("//table[@class='mainTable']/tr/td/text()")
print '\n'.join(res).encode("latin-1")

data.html示例

<table class='mainTable'>
         <TR>
                  <TD bgcolor="#cccccc">235</TD>
                  <TD bgcolor="#cccccc"> Windows XP / Office 2003.</TD>
                  <TD bgcolor="#cccccc">
                  G:\REMI\projets\Migration_XP_Office2003\Procedures\Installation Win XP et Office 2003.doc</TD>
                  <TD bgcolor="#cccccc">2005-10-18</TD>
                  <TD bgcolor="#cccccc">2010-12-30</TD></TR>
                  <TD bgcolor="#cccccc">
                  <P class="MsoBodyText" 
                    style="margin: 0cm 0cm 0pt;"><STRONG><FONT face="Times New Roman" size="5">blablablablablablbala<BR><BR></FONT></STRONG></FONT></P>
                  </TD>
                <TR>
                  <TD bgcolor="#cccccc">23</TD>
                  <TD bgcolor="#cccccc">XEROX/ MAC</TD>
                  <TD bgcolor="#cccccc">
                    <P>joint.</P>
                    <P>&nbsp;</P></TD>
                  <TD bgcolor="#cccccc">G:\DDTH_INF\REMI\bdcfiles\I098_Page_de_garde_MAC.doc</TD>
                  <TD bgcolor="#cccccc">2012-12-19</TD>
                  <TD bgcolor="#cccccc">2012-12-19</TD>
         </TR>
 </table>

我不明白为什么程序跳过了

<P class="MsoBodyText" 
                        style="margin: 0cm 0cm 0pt;"><STRONG><FONT face="Times New Roman" size="5">blablablablablablbala<BR><BR></FONT></STRONG></FONT></P>

blablbala

及

接头。
 

因为它在

标记之间？我只想得到每个TD之间的所有数据。我也尝试过使用/tr/td/p/但它不是解决方案

---

注意：这段代码是一个示例，可能是html被破坏了，但我的文件结构良好

这是因为您从每个

td

元素中获取

text（）

，这基本上意味着给我一个直接位于

td

元素内部的文本节点

相反，请调用找到的每个

td

：

texts = [td.text_content() for td in htmltree.xpath("//table[@class='mainTable']/tr/td")]

---

尝试

res=htmltree.xpath（“//table[@class='mainTable']/tr/td//text（）”）

获取所有子文本节点。只需一句简单的注释：仅对包含正确html的html页面使用lxml。您可以在许多地方找到lxml无法处理的未关闭标记（事实上，只有在编写HTML时才使用它…）。如果不确定，使用BeautifulSoup with可以很好地修复此类（轻微）错误。非常感谢我的朋友，我更了解，我今天才开始使用xpath，我还是一个初学者，感谢text（）方法的精确含义。

 <P>joint.</P>
                        <P>&nbsp;</P>

texts = [td.text_content() for td in htmltree.xpath("//table[@class='mainTable']/tr/td")]