使用 lxml xpath 解析

Question

我试图实现一个lxml, xpath 代码来解析来自链接的html：https://www.theice.com/productguide/ProductSpec.shtml?specId=251 具体来说，我试图解析页面末尾附近的<tr class="last"> 表。

我想获取该子表中的文本，例如：“纽约”及其旁边列出的时间（对伦敦和新加坡也是如此）。

我有以下代码（不能正常工作）：

doc = lxml.html.fromstring(page)
tds = doc.xpath('//table[@class="last"]//table[@id"tradingHours"]/tbody/tr/td/text()')

使用 BeautifulSoup：

table = soup.find('table', attrs={'id':'tradingHours'})
for td in table.findChildren('td'):
    print td.text

实现这一目标的最佳方法是什么？我想使用lxml 而不是beautifulSoup（只是为了看看区别）。

Answer 1

您的lxml 代码非常接近工作。主要问题是table 标签不是具有class="last" 属性的标签。相反，它是具有该属性的tr 标记：

    </tr><tr class="last"><td>TRADING HOURS</td>&#13;

因此，

//table[@class="last"]

没有匹配项。还有一个小语法错误：@id"tradingHours" 应该是@id="tradingHours"。

您也可以完全省略//table[@class="last"]，因为table[@id="tradingHours"] 已经足够具体了。

---

与您的 BeautifulSoup 代码最接近的模拟是：

import urllib2
import lxml.html as LH

url = 'https://www.theice.com/productguide/ProductSpec.shtml?specId=251'
doc = LH.parse(urllib2.urlopen(url))
for td in doc.xpath('//table[@id="tradingHours"]//td/text()'):
    print(td.strip())

---

grouper recipe、zip(*[iterable]*n) 在解析表时通常非常有用。它将iterable 中的项目收集到n 项目组中。我们可以像这样在这里使用它：

texts = iter(doc.xpath('//table[@id="tradingHours"]//td/text()'))
for group in zip(*[texts]*5):
    row = [item.strip() for item in group]
    print('\n'.join(row))
    print('-'*80)

我不太擅长解释石斑鱼食谱的工作原理，但我做了一个attempt here。

---

此页面正在使用 JavaScript 重新格式化日期。要在 JavaScript 更改内容之后 抓取页面，您可以使用 selenium:

import urllib2
import lxml.html as LH
import contextlib
import selenium.webdriver as webdriver

url = 'https://www.theice.com/productguide/ProductSpec.shtml?specId=251'
with contextlib.closing(webdriver.PhantomJS('phantomjs')) as driver:
    driver.get(url)
    content = driver.page_source
    doc = LH.fromstring(content)
    texts = iter(doc.xpath('//table[@id="tradingHours"]//td/text()'))
    for group in zip(*[texts]*5):
        row = [item.strip() for item in group]
        print('\n'.join(row))
        print('-'*80)

产量

NEW YORK
8:00 PM-2:15 PM *
20:00-14:15
7:30 PM
19:30
--------------------------------------------------------------------------------
LONDON
1:00 AM-7:15 PM
01:00-19:15
12:30 AM
00:30
--------------------------------------------------------------------------------
SINGAPORE
8:00 AM-2:15 AM *
08:00-02:15
7:30 AM
07:30
--------------------------------------------------------------------------------

请注意，在这种特殊情况下，如果您不想使用 selenium，可以使用 pytz 自行解析和转换时间：

import dateutil.parser as parser
import pytz

text = 'Tue Jul 30 20:00:00 EDT 2013'
date = parser.parse(text)
date = date.replace(tzinfo=None)
print(date.strftime('%I:%M %p'))
# 08:00 PM

ny = pytz.timezone('America/New_York')
london = pytz.timezone('Europe/London')
london_date = ny.localize(date).astimezone(london)
print(london_date.strftime('%I:%M %p'))
# 01:00 AM

Answer 2

我喜欢 css 选择器比 xpaths 更适应页面变化：

import urllib
from lxml import html

url = 'https://www.theice.com/productguide/ProductSpec.shtml?specId=251'

response = urllib.urlopen(url).read()

h = html.document_fromstring(response)
for tr in h.cssselect('#tradingHours tbody tr'):
    td = tr.cssselect('td')
    print td[0].text_content(), td[1].text_content()

Answer 3

如果站点是正确的 html，则 id 属性是唯一的，您可以在 doc.get_element_by_id('tradingHours') 找到该表。

import urllib
from lxml import html

url = 'https://www.theice.com/productguide/ProductSpec.shtml?specId=251'

response = urllib.urlopen(url).read()

h = html.document_fromstring(response)

print "BY ID"
tradingHours = h.get_element_by_id('tradingHours')

for tr in tradingHours.xpath('tbody/tr'):
    tds = tr.xpath('td')
    print tds[0].text.strip()
    for td in tds[1:]:
        print ' ', td.text.strip()

结果

BY ID
NEW YORK
  Tue Jul 30 20:00:00 EDT 2013-Tue Jul 30 14:15:00 EDT 2013 *
  Tue Jul 30 19:30:00 EDT 2013
LONDON
  Tue Jul 30 20:00:00 EDT 2013-Tue Jul 30 14:15:00 EDT 2013
  Tue Jul 30 19:30:00 EDT 2013
SINGAPORE
  Tue Jul 30 20:00:00 EDT 2013-Tue Jul 30 14:15:00 EDT 2013 *
  Tue Jul 30 19:30:00 EDT 2013