python爬虫提取a标签_Python爬虫解析html：获取节点的inner html

跟着猿人学python，记录我的python学习之旅。

在我们写爬虫的时候经常会遇到这样那样的问题。常见的是网页解析，如何利用工具更好的去帮我们提高效率，是我最近学习的重点。

Python的lxml是一个相当强悍的解析html、XML的模块，最新版本支持的python版本从2.6到3.6，是写爬虫的必备利器。它基于C语言库libxml2 和 libxslt，进行了Python范儿(Pythonic)的绑定，成为一个具有丰富特性又容易使用的Python模块。虽然特性丰富，但是它在修改数节点时又缺少了些接口，比如本文讲到的获取 inner html 和 设置（修改）inner html功能。

在没有看到这篇文章之前很多人会觉得很复杂，其实不然。

解析网页的html一般使用lxml.html模块，只需要以下三步就可以完成：

(1) 导入模块：

import lxml.html

(2) 把html转换为html document 树，根节点就是标签：

doc = lxml.html.fromstring(html)

(3) 使用xpath查找要提取的节点：

nodes = doc.xpath('//div[@class, 'the']/div[@id, 'xpath']')

以上三步分成简洁，实际使用中，可能要反复第三部，通过不同的xpath获得不同的节点进行数据提取。

可以说，lxml解析（只读模式）html的功能又强大又方便。但是，如果需要修改（写模式）某些节点的html就有点困难了，它在这方面提供的API很少，只有修改节点tag属性的API，比如修改节点的class，id，href等属性是可以的。

那么如何操作节点的实际html字符串呢？

1. 获取节点的inner html

那么，什么是inner html呢？首先，我们来看一段html代码示例：

这是div 节点内容

对于div 这个html标签节点，它的inner html就是:

这是div节点内容

即该标签包含的所有内容；而包含div标签在内的全部示例代码就是div的outer html。

明白了inner html 和 outer html的概念，我们就着手获取它们。

lxml.html.tostring(html_element) 接口的作用是把一个节点及其子节点形成的树转换成html，也就是该节点的outer html，由此我们来获得inner html，并实现为以下函数：def get_inner_html(node):

html = lxml.html.tostring(node, encoding="utf8").decode('utf8')

p_begin = html.find('>') + 1

p_end = html.rfind('<')

return html[p_begin: p_end]