html - python提取标签中的内容

Question

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("//p[@class='content']")[0]
print node.text.encoding('gbk')

但是只能输出：奥迪阿萨德，第一个之后的内容都不能输出，请问该如何解决？

Answer 1

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("//p[@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。

<p class="content">
    a<em>b <em>d</em></em>c
</p>

Answer 2

#!/usr/bin/env python3
from bs4 import BeautifulSoup

f = open("1.html", "r")
html = BeautifulSoup( f.read() )
node = html.select(".content")[0]
print( node.prettify() )

html.select(".content")这个可能需要更多的选择器限定一下。另外只是大概写了下BeautifulSoup如何运作的，具体需求可以查看手册：Beautiful Soup 文档