pyhon/numpy/pandas(十二)-xml

最新推荐文章于 2025-12-01 06:10:14 发布

原创最新推荐文章于 2025-12-01 06:10:14 发布 · 3.3k 阅读

0 ·

CC 4.0 BY-SA版权

数据分析与挖掘专栏收录该内容

32 篇文章

订阅专栏

from lxml.html import parse
import urllib.request
parsed=parse(urllib.request.urlopen('http://finance.sina.com.cn/stock/'))
doc=parsed.getroot()
print (doc)

<Element html at 0x54db9f8>

links=doc.findall('.//a')
links[:3]

[<Element a at 0x55fe5e8>, <Element a at 0x55fe868>, <Element a at 0x55fe6d8>]

urls=[lnk.get('href') for lnk in doc.findall('.//a')]
urls[-10:]

['http://corp.sina.com.cn/chn/',
 'http://corp.sina.com.cn/eng/',
 'http://emarketing.sina.com.cn/',
 'http://www.sina.com.cn/contactus.html',
 'http://corp.sina.com.cn/chn/sina_job.html',
 'http://www.sina.com.cn/intro/lawfirm.shtml',
 'http://english.sina.com',
 'https://login.sina.com.cn/signup/signup.php',
 'http://help.sina.com.cn/',
 'http://corp.sina.com.cn/chn/copyright.html']

tables=doc.findall('.//table')
call=tables[1]
rows=call.findall('.//tr')

def _unpack(row,kind='td'):
    elts=row.findall('.//%s' % kind)
    return [val.text_content() for val in elts]
_unpack(rows[0],kind='td')

['行业涨幅', '行业跌幅', '行业流入', '行业流出']