首先是正则表达式 ,然后是流行的BeautifulSoup模块,最后是强大的lxml模块。
1、正则表达式
详细操作在
空心人:正则表达式zhuanlan.zhihu.com2、BeautifulSoup
安装命令:
pip install beautifulsoup4
使用 BeautifulSoup 的第一步是将己下载的 HTML 内容解析为 soup 文档 。由于大多数网页都不具备良好的 HTML 格式,因此 Beautiful Soup 需要对其实际格式进行确定。例如,在下面这个简单网页的列表中,存在属性值两侧引号缺失和标签未闭合的问题。
如果Population列表项被解析为 Area 列表项的子元素,而不是并列的两个列表项的话,我们在抓取时就会得到错误的结果 。
from bs4 import BeautifulSoup
broken_html = "<ul class=country><li>Area</li><li>Population</ul>"
#解析html
soup = BeautifulSoup(broken_html, 'html.parser')
fixed_html = soup.prettify()
print(fixed_html)
得到的结果如下:
3、Lxml
3.1最新的Lxml安装教程
Installing lxmllxml.de