Mengekstrak lxml xpath untuk tabel html

Saya memiliki dokumen html yang mirip dengan berikut:

<html xmlns="http://www.w3.org/1999/xhtml" xmlns="http://www.w3.org/1999/xhtml">
    <div id="Symbols" class="cb">
    <table class="quotes">
    <tr><th>Code</th><th>Name</th>
        <th style="text-align:right;">High</th>
        <th style="text-align:right;">Low</th>
    </tr>
    <tr class="ro" onclick="location.href='/id/xyz.com/A.htm';" style="color:red;">
        <td><a href="/id/xyz.com/A.htm" title="Display,A">A</a></td>
        <td>A Inc.</td>
        <td align="right">45.44</td>
        <td align="right">44.26</td>
    <tr class="re" onclick="location.href='/id/xyz.com/B.htm';" style="color:red;">
        <td><a href="/id/xyz.com/B.htm" title="Display,B">B</a></td>
        <td>B Inc.</td>
        <td align="right">18.29</td>
        <td align="right">17.92</td>
</div></html>

Saya perlu mengekstrak code/name/high/low informasi dari tabel.

Saya menggunakan kode berikut dari salah satu contoh serupa di Stack Over Flow:

#############################
import urllib2
from lxml import html, etree

webpg = urllib2.urlopen(http://www.eoddata.com/stocklist/NYSE/A.htm).read()
table = html.fromstring(webpg)

for row in table.xpath('//table[@class="quotes"]/tbody/tr'):
    for column in row.xpath('./th[position()>0]/text() | ./td[position()=1]/a/text() | ./td[position()>1]/text()'):
        print column.strip(),
    print

#############################

Saya tidak mendapatkan hasil apa pun. Saya harus mengubah xpath loop pertama menjadi table.xpath('//tr') dari table.xpath('//table[@class="quotes"]/tbody/tr')

Saya hanya tidak mengerti mengapa xpath('//table[@class="quotes"]/tbody/tr') tidak berfungsi.


python html html-table xpath lxml
person mkt2012    schedule 07.04.2011    source sumber
comment
saya menemukan masalah saya. Entah bagaimana tag ‹tbody› dihapus. Dari Firebug, ‹tbody› muncul tepat setelah ‹table class=quotes› dan sebelum tag ‹tr›.   -  person mkt2012    schedule 07.04.2011
comment
Ya, ini adalah FAQ: browser menambahkan elemen HTML wajib (X) (seperti head dan tbody) ke DOM. Omong-omong, inilah yang dilakukan @samplebias jawaban katakan.   -  person    schedule 08.04.2011
comment
kemungkinan duplikat dari masalah Python lxml XPath   -  person    schedule 08.04.2011

Jawaban (1)


arrow_upward
42
arrow_downward

Anda mungkin melihat HTML di Firebug, bukan? Browser akan menyisipkan tag implisit <tbody> jika tidak ada dalam dokumen. Pustaka lxml hanya akan memproses tag yang ada dalam string HTML mentah.

Hilangkan level tbody di XPath Anda. Misalnya, ini berfungsi:

tree = lxml.html.fromstring(raw_html)
tree.xpath('//table[@class="quotes"]/tr')
[<Element tr at 1014206d0>, <Element tr at 101420738>, <Element tr at 1014207a0>]
person samplebias    schedule 07.04.2011
comment
Saya juga mengalaminya dengan Chrome. Menggunakan fitur Copy XPath di menu klik kanan 'Periksa'. Agak konyol. - person ficuscr; 24.02.2014
comment
Tahukah Anda aturan perubahan jalur lain yang bisa terjadi di FF/Chrome? Akan menarik untuk mengkompilasinya. - person lajarre; 21.08.2015