lxmlでHTMLデータを解析する

Question

私はコーディングの初心者で、私の友人はhtmlparserの代わりにBeautifulSoupを使用するように教えてくれました。いくつかの問題に遭遇した後、BextifulSoupの代わりにlxmlを使用するためのヒントを得ました。

私は、誰かが私に探しているテキストを掻きする方法をヒントとして与えることができると願っています。私が欲しいもの

は、次の行とデータを持つテーブルを見つけることです：

<tr> 
    <td><a href="website1.com">website1</a></td> 
    <td>info1</td> 
    <td>info2</td>    
    <td><a href="spam1.com">spam1</a></td> 
</tr> 
<tr> 
    <td><a href="website2.com">website2</a></td> 
    <td>info1</td> 
    <td>info2</td>    
    <td><a href="spam2.com">spam2</a></td> 
</tr> 

にはどうすればlxmlで、スパムなしに、情報1及び2とのウェブサイトをこすり、以下の結果を得るのですか？ td/a[not(contains(.,"spam"))]/@href | td[not(a)]/text()

$ python3 
>>> import lxml.html 
>>> doc = lxml.html.parse('data.xml') 
>>> [[j for j in i.xpath('td/a[not(contains(.,"spam"))]/@href | td[not(a)]/text()')] for i in doc.xpath('//tr')] 
[['website1.com', 'info1', 'info2'], ['website2.com', 'info1', 'info2']] 

Answer 1

import lxml.html as LH 

doc = LH.fromstring(content) 
print([tr.xpath('td[1]/a/@href | td[position()=2 or position()=3]/text()') 
     for tr in doc.xpath('//tr')]) 

長いXP

[['url' 'info1', 'info2'], ['url', 'info1', 'info2']] 

Answer 2

は私がのXPathを使用しますathの意味は次のとおりです。

td[1]         find the first <td> 
    /a         find the <a> 
    /@href        return its href attribute value 
|          or 
td[position()=2 or position()=3]  find the second or third <td> 
    /text()        return its text value 

Answer 3

import lxml.html as lh 

tree = lh.fromstring(your_html) 

result = [] 
for row in tree.xpath("tr"): 
    url, info1, info2 = row.xpath("td")[:3] 
    result.append([url.xpath("a")[0].attrib['href'], 
        info1.text_content(), 
        info2.text_content()]) 

結果：

 
[['website1.com', 'info1', 'info2'], ['website2.com', 'info1', 'info2']]