python提取标签中的内容
抓取了一个网页，网页中一部分内容如下：
我使用如下代码：
import codecs
#coding=utf-8
from lxml import etree
f=codecs.open("1.html","r","utf-8")
content=f.read()
f.close()
tree=etree.HTML(content)
node=tree.xpath("//div[@class='content']")[0]
print node.text.encoding('gbk')
但是只能输出：奥迪阿萨德，第一个
owl1991
10 years, 9 months ago
Answers
lxml
的
element.text
返回的是这个元素第一个节点的内容，所以会出现这样的问题。可以用
getText
这个辅助方法来解决：
# require lxml
# version: python2
def getText(elem):
rc = []
for node in elem.itertext():
rc.append(node.strip())
return ''.join(rc)
这里可以直接修改最后一行即可：
import codecs
#coding=utf-8
from lxml import etree
def getText(elem):
rc = []
for node in elem.itertext():
rc.append(node.strip())
return ''.join(rc)
f=codecs.open("1.html","r","utf-8")
content=f.read()
f.close()
tree=etree.HTML(content)
# 返回的是lxml.etree._Element,可以直接作为getText参数来调用。
node=tree.xpath("//div[@class='content']")[0]
print getText(node).encoding('gbk')
这里的getText只是简单的实现，比如下面的xml文本会打印
abdc
,应该可以达到你的要求。
<div class="content">
a<em>b <em>d</em></em>c
</div>
慕丶染汐
answered 10 years, 9 months ago
