使用 LXML 从 html 文件获取 xpath - Python

Question

我正在学习如何使用 lxml 解析文档。为此，我正在尝试解析我的 linkedin 页面。它有很多信息，我认为这将是一个很好的培训。

上下文就够了。这是我在做什么：

要去url：https://www.linkedin.com/in/NAME/
打开并将源代码保存为"linkedin.html"
当我试图提取当前的工作时，我正在执行以下操作：

from io import StringIO, BytesIO
from lxml import html, etree

# read file
filename = 'linkedin.html'
file = open(filename).read()

# building parser
parser = etree.HTMLParser()
tree = etree.parse(StringIO(file), parser)

# parse an element
title = tree.xpath('/html/body/div[6]/div[4]/div[3]/div/div/div/div/div[2]/main/div[1]/section/div[2]/div[2]/div[1]/h2')
print(title)

树变量的类型是

但它总是 return 我的变量标题的空列表。

我已经尝试了一整天，但仍然不明白我做错了什么。

Answer 1

我通过在 open() 函数中添加一个编码参数找到了问题的答案。

这是我所做的：

def parse_html_file(filename):
    f = open(filename, encoding="utf8").read()
    parser = etree.HTMLParser()
    tree = etree.parse(StringIO(f), parser)
    return tree


tree = parse_html_file('linkedin.html')
name = tree.xpath('//li[@class="inline t-24 t-black t-normal break-words"]')
print(name[0].text.strip())

使用 LXML 从 html 文件获取 xpath - Python

Get xpath from html file using LXML - Python

html

python

lxml

html-parsing

python-3.x