需要 python lxml 语法帮助来解析 html

我是 python 的新手，我需要一些有关使用 lxml 查找和迭代 html 标签的语法的帮助。以下是我正在处理的用例：

HTML 文件的格式相当好（但并不完美）。屏幕上有多个表格，其中一个包含一组搜索结果，每个表格包含页眉和页脚。每个结果行都包含搜索结果详细信息的链接。

1. 我需要找到包含搜索结果行的中间表（我能够弄清楚这一点）：

       self.mySearchTables = self.mySearchTree.findall(".//table")
       self.myResultRows = self.mySearchTables[1].findall(".//tr")
   

2. 我需要找到此表中包含的链接（这是我陷入困境的地方）：

       for searchRow in self.myResultRows:
           searchLink = patentRow.findall(".//a")
   

   它似乎并没有真正找到链接元素。

3. 我需要链接的纯文本。我想它会是这样的searchLink.text如果我真的首先得到了链接元素。

最后，在 lxml 的实际 API 参考中，我无法找到有关 find 和 findall 调用的信息。我从谷歌上找到的一些代码中收集了这些。我是否遗漏了有关如何使用 lxml 有效查找和迭代 HTML 标签的信息？

好的，首先，关于解析 HTML：如果您遵循 zweiterlinde 和 S.Lott 的建议，至少使用以下版本lxml 中包含 beautifulsoup http://lxml.de/elementsoup.html。这样您还将获得良好的 xpath 或 css 选择器界面的好处。

不过，我个人更喜欢 Ian Bicking 的lxml 中包含 HTML 解析器 http://lxml.de/lxmlhtml.html.

第二，.find() and .findall()来自试图与 ElementTree 兼容的 lxml，这两种方法在ElementTree 中的 XPath 支持 http://effbot.org/zone/element-xpath.htm.

这两个函数相当容易使用，但它们是非常有限的 XPath。我建议尝试使用完整的 lxmlxpath() method http://lxml.de/xpathxslt.html#the-xpath-method或者，如果您已经熟悉 CSS，请使用cssselect() method http://lxml.de/cssselect.html.

以下是一些示例，其中 HTML 字符串的解析如下：

from lxml.html import fromstring
mySearchTree = fromstring(your_input_string)

使用 css 选择器类，您的程序大致如下所示：

# Find all 'a' elements inside 'tr' table rows with css selector
for a in mySearchTree.cssselect('tr a'):
    print 'found "%s" link to href "%s"' % (a.text, a.get('href'))

使用 xpath 方法的等效方法是：

# Find all 'a' elements inside 'tr' table rows with xpath
for a in mySearchTree.xpath('.//tr/*/a'):
    print 'found "%s" link to href "%s"' % (a.text, a.get('href'))