如何解析带有 <br /> 搞砸的 lxml 的 html 页面？

Question

我想用 python 中的 lxml 解析来自 Nasa 网站的以下 html 片段：

    <p>
        <strong>Launch Date:</strong>1981-09-24<br/>
        <strong>Launch Vehicle:</strong> Delta<br/>
        <strong>Launch Site:</strong> Cape Canaveral, United States<br/>
        <strong>Mass:</strong> 550.0 kg<br/>
    </p>

使用 python3 的以下代码：

from lxml.html import parse

page = parse("http://nssdc.gsfc.nasa.gov/nmc/spacecraftDisplay.do?id=1981-096A")

rows = page.xpath('//div[@class="urtwo"]/p')[0]
for element in rows:
    print(element.xpath("string()"))

但是头部后面的值是空的...:[=14=]

Launch Date:

Launch Vehicle:

Launch Site:

Mass:

我认为它必须与 <'/strong> 或 <'br /> 相关。

谁能帮我找到解决办法？

Answer 1

如何迭代 strong 标签，将它们视为标签并将以下文本兄弟作为值：

rows = page.xpath('//div[@class="urtwo"]/p//strong')
for element in rows:
    label = element.text.strip()
    value = element.xpath("following-sibling::text()")[0].strip()

    print(label, value)

打印：

('Launch Date:', u'1981-09-24')
(u'Launch\xa0Vehicle:', u'Delta')
(u'Launch\xa0Site:', u'Cape Canaveral, United States')
('Mass:', u'550.0\xa0kg')

如何解析带有 <br /> 搞砸的 lxml 的 html 页面？

How to parse a htmlpage with lxml with <br /> screwing up?

html

python

lxml

html-parsing

lxml.html