Извлечение lxml xpath для таблицы html - PullRequest
Новая
       8

Извлечение lxml xpath для таблицы html

15 голосов
/ 07 апреля 2011

У меня есть документ HTML, похожий на следующий: 

<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='/xyz.com/A.htm';" style="color:red;">
        <td><a href="/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='/xyz.com/B.htm';" style="color:red;">
        <td><a href="/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>

Мне нужно извлечь code/name/high/low информацию из таблицы.

Я использовал следующий код из одного из похожих примеров в 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

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

Я ничего не получаю. Я должен изменить первый цикл xpath на table.xpath('//tr') с table.xpath('//table[@class="quotes"]/tbody/tr')

Я просто не понимаю, почему xpath('//table[@class="quotes"]/tbody/tr') не работает.

1 Ответ

40 голосов
/ 07 апреля 2011

Вы, наверное, смотрите на HTML в Firebug, верно?Браузер вставит неявный тег <tbody>, когда его нет в документе.Библиотека lxml будет обрабатывать только теги, присутствующие в необработанной строке HTML.

Пропустить уровень tbody в вашем XPath.Например, это работает: 

tree = lxml.html.fromstring(raw_html)
tree.xpath('//table[@class="quotes"]/tr')
[<Element tr at 1014206d0>, <Element tr at 101420738>, <Element tr at 1014207a0>]
...