3
我正在编写一个工具,需要在网页上的div内收集所有网址,但在该div之外没有网址。简化的页面,它看起来是这样的:使用lxml查找div内的所有链接
<div id="bar">
<a link I dont want>
<div id="foo">
<lots of html>
<h1 class="baz">
<a href=”link I want”>
</h1>
<h1 class="caz">
<a href=“link I want”>
</h1>
</div>
</div>
当选择使用Firebug div和选择的XPath我得到:// * [@ ID = “富”。到现在为止还挺好。不过,我坚持试图找到div foo内的所有url。请帮助我找到一种方法来提取元素中由href定义的url。
示例代码类似于我正在使用W3Schools的上:
import mechanize
import lxml.html
import cookielib
br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
br.addheaders = [('User-agent', 'WatcherBot')]
r = br.open('http://w3schools.com/')
html = br.response().read()
root = lxml.html.fromstring(html)
hrefs = root.xpath('//*[@id="leftcolumn"]')
# Found no solution yet. Stuck
谢谢您的时间!
真棒感谢。 – Teletha 2013-05-04 22:00:55