lxml
(Comme l'a observé, cela est un peu louches entre encodages système et apparemment ne fonctionne pas correctement sous Windows XP, mais il l'a fait sous Linux)
Je l'ai appris à travailler en décodant la chaîne source - tree = html.fromstring(source.decode('utf-8')).
# -*- coding:cp1251 -*-
import lxml
from lxml import html
filename = "t.html"
fread = open(filename, 'r')
source = fread.read()
tree = html.fromstring(source.decode('utf-8'))
fread.close()
tags = tree.xpath('//span[@class="one" and text()="Text"]') #This OK
print "name: ",tags[0].text
print "value: ",tags[0].tail
tags = tree.xpath('//span[@class="two" and text()="Привет"]') #This is now OK too
print "name: ",tags[0].text
print "value: ",tags[0].tail
Cela signifie que l'arborescence réelle est entièrement unicode objets. Si vous venez de mettre le paramètre xpath en tant que unicode, il trouve 0 correspond.
BeautifulSoup
Je préfère utiliser BeautifulSoup pour tout de ce genre de choses, de toute façon. Voici ma session interactive; J'ai enregistré le fichier dans cp1251.
>>> from BeautifulSoup import BeautifulSoup
>>> filename = '/tmp/cyrillic'
>>> fread = open(filename, 'r')
>>> source = fread.read()
>>> source # Scary
'<html>\n<body>\n<span class="one">Text</span>some text</br>\n<span class="two">\xcf\xf0\xe8\xe2\xe5\xf2</span>\xd2\xe5\xea\xf1\xf2 \xed\xe0 \xf0\xf3\xf1\xf1\xea\xee\xec</br>\n</body>\n</html>\n'
>>> source = source.decode('cp1251') # Let's try getting this right.
u'<html>\n<body>\n<span class="one">Text</span>some text</br>\n<span class="two">\u041f\u0440\u0438\u0432\u0435\u0442</span>\u0422\u0435\u043a\u0441\u0442 \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c</br>\n</body>\n</html>\n'
>>> soup = BeautifulSoup(source)
>>> soup # OK, that's looking right now. Note the </br> was dropped as that's bad HTML with no meaning.
<html>
<body>
<span class="one">Text</span>some text
<span class="two">Привет</span>Текст на русском
</body>
</html>
>>> soup.find('span', 'one').findNextSibling(text=True)
u'some text'
>>> soup.find('span', 'two').findNextSibling(text=True) # This looks a bit daunting ...
u'\u0422\u0435\u043a\u0441\u0442 \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c'
>>> print _ # ... but it's not, really. Just Unicode chars.
Текст на русском
>>> # Then you may also wish to get things by text:
>>> print soup.find(text=u'Привет').findParent().findNextSibling(text=True)
Текст на русском
>>> # You can't get things by attributes and the contained NavigableString at the same time, though. That may be a limitation.
A la fin de cela, il est peut-être la peine d'essayer tout en tenant compte source.decode('cp1251') au lieu de source.decode('utf-8') quand vous le prenez du système de fichiers. LXML peut effectivement fonctionner alors.
Cela ne fonctionne pas aussi J'ai essayé de fonctionner sous Windows XP – HammerSpb
Je l'ai fait sous Linux Accrochez, je vais démarrer ma machine virtuelle XP et voir si je peux devinez sur XP –
Merci Chris! Sous XP ce sont des fichiers ANSI – HammerSpb