Python怎么样提取标签内部数据解决方法

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，第一个之后的内容都不能输出，请问该如何解决？

#!/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
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>

玩蛇网文章，转载请注明出处和文章网址：https://www.iplaypy.com/wenda/wd19617.html