python 抓取路透社网站...坏 xpath？

Question

我正在尝试做一些看起来很简单的事情...我正在尝试从此链接中抓取路透社列表的公司名称：

http://www.reuters.com/finance/markets/index?symbol=us!spx&sortBy=&sortDir=&pn=

但是，我无法访问公司名称！真的，在玩了很多 xpath 查询之后，我在访问表时遇到了问题。我正在尝试获取诸如“3M 公司”和“雅培实验室”之类的名称

这是我用过的sn-ps代码：

scrape = []
companies =[]
import lxml
import lxml.html
import lxml.etree

urlbase = 'http://reuters.com/finance/markets/index?symbol=us!spx&sortBy=&sortDir=&pn='
for i in range(1:18):
    url = urlbase+str(i)
    content = lxml.html.parse(url)
    item = content.xpath('XPATH HERE')
    ticker = [thing.text for thing in item]

这是我一直在玩的 xpath：

'//*[@id="topContent"]/div/div[2]/div[1]/table/tr[2]/td[1]/a'
'//*[@id="topContent"]/div/div[2]/div[1]/table/tbody/tr[2]/td[1]/a
'/html/body/div[3]/div[3]/div/div[2]/div/table/tbody/tr[3]/td/a'
'/html/body/div[3]/div[3]/div/div[2]/div/table/tr[3]/td/a'

我尝试通过以下方式访问该特定表： '//table[@class="dataTable sortable"]'，但运气不好

谁能帮忙？我觉得这是一个知道自己在做什么的人能够很快解决的问题 谢谢！

Answer 1

您尝试抓取的页面在表格内有一个表单。正确的 xpath 应该是'//table[@class="dataTable sortable"]/form/tr/td[1]/a'

另外，您的代码中可能有错字，应该是 range(1,18) 而不是 range(1:18)。这是对我有用的最终代码：

scrape = []
companies =[]
import lxml
import lxml.html
import lxml.etree

urlbase = 'http://reuters.com/finance/markets/index?symbol=us!spx&sortBy=&sortDir=&pn='
for i in range(1,18):
    url = urlbase+str(i)
    content = lxml.html.parse(url)
    item = content.xpath('//table[@class="dataTable sortable"]/form/tr/td[1]/a')
    ticker = [thing.text for thing in item]
    print ticker