我正在尝试解析一些 html，并且想要检索标签之间的实际 html，但我的代码却给了我我认为是元素的位置。
这是迄今为止我的代码:
import urllib.request, http.cookiejar
from lxml import etree
import io
site = "http://somewebsite.com"
cj = http.cookiejar.CookieJar()
request = urllib.request.Request(site)
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
request.add_header('User-agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:17.0) Gecko/20100101 Firefox/17.0')
html = etree.HTML(opener.open(request).read())
xpath = "//li[1]//cite[1]"
filtered_html = html.xpath(xpath)
print(filtered_html)
这是 html 的一部分:
<div class="f kv">
<cite>
www.
<b>hello</b>
online.com/
</cite>
<span class="vshid">
</div>
目前我的代码返回:
[<Element cite at 0x36a65e8>, <Element cite at 0x36a6510>, <Element cite at 0x36a64c8>]
如何提取 cite 标签之间的实际 html 代码？如果我将“/text()”添加到 xpath 的末尾，它会让我更接近，但它会遗漏 b 标签中的内容。我的最终目标是让我的代码给我“www.helloonline.com/”。
谢谢
最佳答案
使用//text()从给定位置获取所有文本元素:
text = filtered_html.xpath('//text()')
print ''.join(t.strip() for t in text) # prints "www.helloonline.com/"
关于python - 查看标签之间的 html 文本(python、lxml、urllib、xpath)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/14093250/