from lxml import *
import lxml.html
import urllib2
import lxml.html as H
import sys
if __name__ == '__main__':
ss = u"<html> <body> <form> <div id='leftmenu'> <h3>档案</h3>\
<ul><!-- 找到这里 --></ul> </div> </form> </body> </html>"
ss = urllib2.urlopen("http://auto.qq.com/a/20090910/000052.htm").read()
doc = H.document_fromstring(ss)
nodes = doc.xpath("//div[@id='ArticleTit']")
if nodes is not None:
#print nodes[0].text.encode(sys.getfilesystemencoding())
print nodes[0].text.encode(sys.getfilesystemencoding())
nodes = doc.xpath("//div[@id='ArticleCnt']")
if nodes is not None:
print nodes[0].text_content().encode(sys.getfilesystemencoding())
#print nodes[0].text.encode(sys.getfilesystemencoding())
呵呵, 简单高效. 之前用java写了N长的代码. 真是不爽.
参考: http://www.go4pro.org/?p=118
附录：XPATH的简单语法介绍
XPATH基本上是用一种类似目录树的方法来描述在XML文档中的路径。比如用“/”来作为上下层级间的分隔。第一个“/”表示文档的根节点（注意，不是指文档最外层的tag节点，而是指文档本身）。比如对于一个HTML文件来说，最外层的节点应该是”/html”。
同样的，“..”和“.”分别被用来表示父节点和本节点。
XPATH返回的不一定就是唯一的节点，而是符合条件的所有节点。比如在HTML文档里使用“/html/head/scrpt”就会把head里的所有script节点都取出来。
为了缩小定位范围，往往还需要增加过滤条件。过滤的方法就是用“[”“]”把过滤条件加上。比如在HTML文档里使用“/html/body/div[@id='main']”，即可取出body里id为main的div节点。
其中@id表示属性id，类似的还可以使用如@name, @value, @href, @src, @class….
而 函数text()的意思则是取得节点包含的文本。比如：<div>hello<p>world</p>< /div>中，用”div[text()='hello']“即可取得这个div，而world则是p的text()。
函数position()的意思是取得节点的位置。比如“li[position()=2]”表示取得第二个li节点，它也可以被省略为“li[2]”。
不过要注意的是数字定位和过滤 条件的顺序。比如“ul/li[5][@name='hello']”表示取ul下第五项li，并且其name必须是hello，否则返回空。而如果用 “ul/li[@name='hello'][5]”的意思就不同，它表示寻找ul下第五个name为”hello“的li节点。
此外，“*”可以代替所有的节点名，比如用”/html/body/*/span”可以取出body下第二级的所有span，而不管它上一级是div还是p或是其它什么东东。
而 “descendant::”前缀可以指代任意多层的中间节点，它也可以被省略成一个“/”。比如在整个HTML文档中查找id为“leftmenu”的 div，可以用“/descendant::div[@id='leftmenu']”，也可以简单地使用“ //div[@id='leftmenu']”。
至于“following-sibling::”前缀就如其名所说，表示同一层的下一个节点。”following-sibling::*”就是任意下一个节点，而“following-sibling::ul”就是下一个ul节点。
更复杂的XPATH语法还是请参考官文档
《XML Path Language (XPath)》。