有些時(shí)候我在們需要的用正則提取出html中某一個(gè)部分的文字內(nèi)容，如圖:

獲取dd部分的html文檔，我們要通過(guò)它的一個(gè)屬性去確定他的位置才可以拿到他這個(gè)部分我們可以看到他的這個(gè)屬性class=’row clearfix ’，然后用xpath去獲取到這部分:

name = tree.xpath('//dd[@class=’row clearfix ’]')from lxml import htmlimport requestsurl = ’http://navi.cnki.net/knavi/JournalDetail/GetArticleList?year=2018&issue=04&pykm=DZXU&pageIdx=0&pcode=CJFD’res = requests.get(url)tree = html.fromstring(res.text)name = tree.xpath('//dd[@class=’row clearfix ’]')print(name)

如果直接打印他是不能夠出來(lái)的，

我們需要對(duì)Element進(jìn)行處理，用到name1 = html.tostring(name[0])，代碼如下:

from lxml import htmlimport requestsurl = ’http://navi.cnki.net/knavi/JournalDetail/GetArticleList?year=2018&issue=04&pykm=DZXU&pageIdx=0&pcode=CJFD’res = requests.get(url)tree = html.fromstring(res.text)name = tree.xpath('//dd[@class=’row clearfix ’]')name1 = html.tostring(name[0])print(name1)

打印截圖:

但是大家可以看到里面的等內(nèi)容并不是中文，原因是我們使用tostring方法輸出的是修正后的HTML代碼，但是結(jié)果是bytes類型，在python中bytes類型是不可以進(jìn)行編碼的，需要轉(zhuǎn)換成字符串，使用代碼name1.decode()，此時(shí)我們將bytes類型轉(zhuǎn)換為str（字符串）類型。

那么此時(shí)我們關(guān)鍵是如何將$#26080;此類的符號(hào)轉(zhuǎn)換成漢字?。?！那么首先要搞清楚這是什么編碼？這類符號(hào)是HTML、XML 等 SGML 類語(yǔ)言的轉(zhuǎn)義序列。它們不是”編碼“，也就是說(shuō)我們不能使用utf-8、gbk等編碼進(jìn)行處理，需要使用HTMLParse進(jìn)行處理，完整代碼如下：

from lxml import htmlimport requestsfrom html.parser import HTMLParser #導(dǎo)入html解析庫(kù)url = ’http://navi.cnki.net/knavi/JournalDetail/GetArticleList?year=2018&issue=04&pykm=DZXU&pageIdx=0&pcode=CJFD’res = requests.get(url)tree = html.fromstring(res.text)name = tree.xpath('//dd[@class=’row clearfix ’]')name1 = html.tostring(name[0])name2 = HTMLParser().unescape(name1.decode())print(name2)

此時(shí)運(yùn)行結(jié)果如下：

那么此時(shí)就已經(jīng)大功告成了?。。?/p>

以上這篇python-xpath獲取html文檔的部分內(nèi)容就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。