python数据清洗代码_[python爬虫]利用xpath清洗数据之html数据清洗【附完整代码】...

今天爱分享给大家带来[python爬虫]利用xpath清洗数据之html数据清洗【附完整代码】，希望大家能够喜欢。

现在我们面对一些爬虫数据，特别是对于web网页的爬取的时候，网页总有一些不规整的数据来导致拿数据的麻烦，比如如下这种

111

222

333

444

eeeeeeeeeeee

555

aabbccddd

我只想拿到111,222,333,444,555这些有效的信息，因为有些p标签里面会引入script元素，导致我们还要在后期清洗，比较麻烦

分析

首先拿到问题我们就可以本能的想至少两种方式，如果当成是文本处理，使用排除掉script这些文本，另外我们可以直接移除掉这些script元素，这里我不推荐使用正则，毕竟我们拿到一个特定的环境，比如lxml 库就可以很轻松的处理这些文档，使用正则后期维护困难，另外，你过两个星期之后你也不会知道你当时写的正则是什么意思

解决

还是直接上代码吧

# -*- coding: utf-8 -*-

from lxml import html

from lxml.html.clean import Cleaner

html_str = """

111111

222222

333333

44444

eeeeeeeeeeee

665666

aabbccddd

"""

def clean_script():

cleaner = Cleaner()

cleaner.javascript = True # This is True because we want to activate the javascript filter

cleaner.style = True # clean the style element

tree = html.fromstring(html_str)

print html.tostring(cleaner.clean_html(tree))

def remove_node():

tree = html.fromstring(html_str)

ele = tree.xpath('//script')

for e in ele:

e.getparent().remove(e)

print html.tostring(tree)

if __name__ == '__main__':

remove_node()

输出结果

111111

222222

333333

44444

665666

总结

本次主要介绍了常见的html 数据清洗方法，介绍了lxml 一些常用操作和方法，希望对于大家清洗数据的时候有帮助