lxml
lxml是python下功能丰富的XML, HTML解析库, 性能非常好, 是对libxml2和libxslt的封装。
最新支持python2.6+, python支持到3.6
Centos编译安装需要
yum install libxm12-devel libxslt-devel
from lxml import etree
root:etree._Element = etree.Element('html') ## 名字叫html的标签
print(root.tag)
body = etree.Element('body')
root.append(body)
print(etree.tostring(root)) ##转成bytes类型
sub = etree.SubElement(body, 'child1') ## 给body增加子节点
sub = etree.SubElement(body, 'child2').append(etree.Element('child21'))
html = etree.tostring(root, pretty_print=True).decode()
print(html)
r = etree.HTML(html) ## 返回根结点
print(r.tag) ## 根结点名
print(r.xpath('//*[contains(local-name(),"child")]')) ##任意元素下, 名字里面包含child的结点
- etree.HTML(text)解析HTML文档, 返回根结点
- anode.xpath()对结点使用xpath
BeautifulSoup4**
- 安装
$pip install beautifulsoup4
初始化
BeautifulSoup(markup="", features=None)
**markup:**被解析对象, 文件对象或者html字符串
**features:**解析器,
返回一个文档对象
from bs4 import BeautifulSoup
|解析器|使用方法|优势|
|:--------:||:--------:||:--------?
|python标准库|BeautifulSoup(markup, “html.parser”)|速度适中, 容错能力强|
|lxml HTML 解析器|BeautifulSoup(markup, “lxml”)|速度快, 容错能力强|
|lxml XML 解析器|BeautifulSoup(markup, [“lxml”, “xml”])|速度快, 唯一支持XML解析器|
|html5lib|BeautifulSoup(markup, “html5lib”)|最好的容错性, 以浏览器的方式解析文档, 生成HTML5格式的文档, 速度慢, 不依赖外部扩展|
请手动指定解析器
四种对象
BeautifulSoup将HTML文档解析成复杂的树形结构(遍历深度优先), 每个节点都是Python的对象
- BeautifulSoup对象 : 代表整个文档.
- Tag对象: 对应HTML中的标签, 有两个常用的属性:
- name: Tag对象的名称, 就是标签名称
- attrs: 标签的属性字典
- NavigableString:只输出标记内的文本, 而不关心标记
- 注释对象,Comment对象: 就是HTML中的注释