抓取<title>標籤與lxml的iterparse

我遇到了問題，在我的HTML上使用lxml的iterparse。我試圖讓<title>的文本，但這個簡單的功能上不完整的網頁工作：抓取<title>標籤與lxml的iterparse

def get_title(str): 
    titleIter = etree.iterparse(StringIO(str), tag="title") 
    try: 
     for event, element in titleIter: 
      return element.text 
     # print "Script goes here when it doesn't work" 
    except etree.XMLSyntaxError: 
     return None

此功能工作正常簡單的輸入，如‘<title>test</title>’，但是當我給它一個完整的頁面無法提取標題。

更新：這是我的工作的HTML：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> 
<html dir="ltr" lang="it" xmlns="http://www.w3.org/1999/xhtml"> 
<head> 
<link rel="icon" href="http://www.tricommerce.it/tricommerce.ico" /> 
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1" /> 
<title>Tricommerce - Informazioni sulla privacy</title> 
<meta name="description" content="Info sulla privacy" /> 
<meta name="keywords" content="Accessori notebook Alimentatori Case Cavi e replicatori Controllo ventole Lettori e masterizzatori Modding Pannelli &amp; display Dissipatori Tastiere e mouse Ventole Griglie e filtri Hardware Accessori vari Box esterni Casse e cuffie Sistemi a liquido Paste termiche vendita modding thermaltake vantec vantecusa sunmbeam sunbeamtech overclock thermalright xmod aerocool arctic cooling arctic silver zalman colorsit colors-it sharkoon mitron acmecom Info sulla privacy" /> 
<meta name="robots" content="index, follow" /> 
<link rel="stylesheet" href="http://www.tricommerce.it/css/tricommerce.css" /> 
<link rel="stylesheet" href="css/static.css" /> 
<script type="text/javascript" src="http://www.tricommerce.it/javascript/vertical_scroll.js"></script> 

<script type="text/javascript"> 
//<![CDATA[ 
function MM_preloadImages() { //v3.0 
var d=document; if(d.images){ if(!d.MM_p) d.MM_p=new Array(); 
    var i,j=d.MM_p.length,a=MM_preloadImages.arguments; for(i=0; i<a.length; i++) 
    if (a[i].indexOf("#")!=0){ d.MM_p[j]=new Image; d.MM_p[j++].src=a[i];}} 
} 
//]]> 
</script> 

<link rel="stylesheet" type="text/css" href="http://www.tricommerce.it/css/chromestyle.css" /> 

<script type="text/javascript" src="http://www.tricommerce.it/javascript/chrome.js"> 
/*********************************************** 
* AnyLink CSS Menu script- ? Dynamic Drive DHTML code library (www.dynamicdrive.com) 
* This notice MUST stay intact for legal use 
* Visit Dynamic Drive at http://www.dynamicdrive.com/ for full source code 
***********************************************/ 
</script> 

</head> 
</html>

而且，爲什麼我使用iterparse--那是因爲我不想在整個DOM加載一個快速的注意剛在文檔的早期獲取一個標籤。

來源

2012-04-24 babonk

您可能希望發佈至少一部分您實際嘗試解析的數據。缺少這些信息，這是一個猜測。如果 <html>元素定義了默認的XML名稱空間，則在查找元素時需要使用。例如，看一下這個簡單的文件：

<?xml version="1.0" encoding="UTF-8"?> 
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN" 
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd"> 
<html xmlns="http://www.w3.org/1999/xhtml" 
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
    xsi:schemaLocation="http://www.w3.org/MarkUp/SCHEMA/xhtml11.xsd" 
    xml:lang="en"> 
    <head>    
    <title>Document Title</title> 
    </head> 
    <body> 
    </body> 
</html>

鑑於此輸入，下面將不返回任何結果：

>>> doc = etree.parse(open('foo.html')) 
>>> doc.xpath('//title') 
[]

因爲我們看的<title>元素此失敗，且不指定命名空間...和沒有命名空間，解析器不是去尋找匹配（因爲foo:title不同於 bar:title，假設foo:和bar:被定義爲XML 命名空間）。

可以明確地使用一個命名空間ElementTree的界面像這樣：

>>> doc.xpath('//html:title', 
... namespaces={'html': 'http://www.w3.org/1999/xhtml'}) 
[<Element {http://www.w3.org/1999/xhtml}title at 0x1087910>]

而且還有我們的比賽。

你可以通過命名空間前綴iterparse的tag說法，太：

>>> titleIter = etree.iterparse(StringIO(str), 
... tag='{http://www.w3.org/1999/xhtml}title') 
>>> list(titleIter) 
[(u'end', <Element {http://www.w3.org/1999/xhtml}title at 0x7fddb7c4b8c0>)]

如果這沒有解決您的問題，發佈一些樣品輸入，我們將在那裏工作。

來源

2012-04-24 01:40:07 larsks

有沒有辦法使用iterparse來做到這一點？不要試圖通過解析來加載整個文檔。 PS添加了示例HTML – babonk 2012-04-24 18:48:00

呃...當然。只需使用名稱空間前綴指定標題標籤即可。我用一個例子更新了答案。 – larsks 2012-04-24 19:59:20

Gotcha。如果我通過很多頁面爬行，是否每次都需要指定正確的名稱空間前綴，或者它通常會與'tag ='{http://www.w3.org/1999/xhtml} title' '？ – babonk 2012-04-24 20:03:06

抓取<title>標籤與lxml的iterparse

回答

相關問題