python - 有pandas想求助大佬？

Question

链接
https://gaokao.chsi.com.cn/zsgs/zhangcheng/listVerifedZszc
--infoId-4543757002,method-view,schId-1940.dhtml

有大佬知道<div class="content zszc-content UEditor">下的全部内容怎么用xpath获取吗？怎么写为word文档，求大佬告知，谢谢！
上面是文章链接

Answer 1

你可以用Python 的 requests 和 lxml 库实现这个方案，我给你一段我学习时候看过的前人的代码（声明一下，这段代码大概是一年前在另外一个博客网站找pdf转word资料时候找到的，由于忘记链接了，所以备注形式表达对原创者的敬意）

import requests
from lxml import etree

url = 'https://gaokao.chsi.com.cn/zsgs/zhangcheng/listVerifedZszc--i...,method-view,schId-1940.dhtml'
response = requests.get(url)
html = response.content.decode('utf-8')
tree = etree.HTML(html)

# 使用 XPath 获取目标元素
content = tree.xpath('//div[@class="content zszc-content UEditor"]')[0]

# 将内容写入文件
with open('content.docx', 'w', encoding='utf-8') as f:
    f.write(etree.tostring(content, method='html', encoding='unicode'))

这段代码逻辑简单清晰，相信你也能了解的，当然如果网站本身有反爬机制，就得考虑其他办法了。
——————————————————————————————————————————————————————————————————
下划线：抱歉我误解了楼主的需求，对于获取 div 标签下所有子节点并将其写入 word 文档，可以如下方法操作
头文件中加一个
from docx import Document

然后写（这部分的目的是用前文回答中的XPath 获取整个内容所在 div 元素）

root = lxml.html.fromstring(html_content)
content_div = root.xpath('//div[@class="content zszc-content UEditor"]')[0]
nodes = content_div.xpath('node()')

最后是这部分的关键，目的是新建文档，遍历div元素读取到文档中，进行文本符号格式转换清洗整理数据，然后完成保存操作。我们命名保存文件为output。

doc = Document()
for node in nodes:
    if isinstance(node, lxml.etree._Element):
        element_html = lxml.html.tostring(node, pretty_print=True, encoding='unicode'）
        element_html = element_html.strip()
        paragraph = doc.add_paragraph(element_html)
    else:
        paragraph = doc.add_paragraph(node)
doc.save('output.docx')