python爬虫处理html字符串（使用lxml库）

最新推荐文章于 2024-09-15 23:51:15 发布

FanHua_繁花

最新推荐文章于 2024-09-15 23:51:15 发布

阅读量4.2k

点赞数

分类专栏： python 文章标签： python lxml

本文链接：https://blog.csdn.net/S_X_Han/article/details/80324617

版权

python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

爬取页面数据时，当返回数据为包含html文本的json数据时，可以使用lxml库来解析数据。

例如：html字符串文本如下

  <table id="table1" cellspacing="0px">
    <tr>
      <th>编号</th>
      <th>姓名</th>
      <th>年龄</th>
    </tr>
    <tr>
      <td>1</td>
      <td>张三</td>
      <td>11</td>
    </tr>
    <tr>
      <td>2/td>
      <td>李四</td>
      <td>12</td>
    </tr>
    <tr>
      <td>3</td>
      <td>王五</td>
      <td>13</td>
    </tr>
    <tr>
      <td>4</td>
      <td>马六</td>
      <td>14</td>
    </tr>
  </table>

首先需要先引入lxml包下的etree

from lxml import etree

解析的具体代码如下：

 html = '<tableid="table1"cellspacing="0px"><tr><th>编号</th><th>姓名</th><th>年龄</th></tr><tr><td>1</td><td>张三</td><td>11</td></tr><tr><td>2/td><td>李四</td><td>12</td></tr><tr><td>3</td><td>王五</td><td>13</td></tr><tr><td>4</td><td>马六</td><td>14</td></tr></table>'
        content = etree.HTML(html)
        rows = content.xpath('//table[@id="juniorchina_table"]/tr')[1:]
        for row in rows:
            id = row.xpath('./td[1]/text()')[0]
            name = row.xpath('./td[2]/text()')[0]
            age = row.xpath('./td[3]/text()')[0]
            print(id, name, age)

代码对应的python版本为3.X

xpath语法参考：http://www.w3school.com.cn/xpath/xpath_syntax.asp

博客参考：https://blog.csdn.net/yjyq1990/article/details/53116809