重点
xpath数据提取时 :先分组 再提取
1.什么是lxml
- lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。
- 如果要在代码中使用xpath,就需要学习lxml模块
2.lxml模块的使用
2.1 lxml模块入门
1.导入lxml 的 etree 库(导入没有提示不代表不能用)
from lxml import etree
2.利用etree.HTML 将字符串转化为Element对象,Element对象具有xpath的方法,该方法返回结果为列表。() 中text能够接收bytse类型的数据和str类型的数据
html = etree.HTML(text)
ret_list = html.xpath("xpath字符串") # 返回列表
3.把转化后的element 对象转化为字符串,返回bytes类型结果 etree.tostring(element)
假设我们现有如下的html 字符串,尝试对他们进行操作:
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a> # 注意,此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
# 利用etree.HTML,将html字符串转化为element对象,该对象具有xpath方法
html = etree.HTML(text)
print(html)
# 把element对象转化为字符串
print(etree.tostring(html).decode())
输出:
<Element html at 0x15060f6f608>
<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li