提取数据处理02---结构化数据处理03（XML 文件、lxml库的基本使用）

XML 文件

处理方法

• XPath
• 正则表达式
• 转化成Python类型（xmltodict）
• CSS选择器

lxml库

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。

• 我们只要使用lxml库中的etree库进行解析HTML

解析html字符串（关键词： etree.HTML）

etree.HTML(Data)

案例演示

from lxml import etree
text = """
<div class="form-group">
	<div class="input-group">
		<input type="text" name="" class="form-control">
		<span class="input-group-btn">
			<button class="btn btn-default">
				<span class="glyphicon glyphicon-search"></span>
			</button>
		</span>
	</div>
</div>
"""
#利用etree.HTML，将字符串解析为HTML文档
html = etree.HTML(text)
print(html)

按字符串序列化HTML文档

只有序列化后才能显示
etree.tostring(Data)

# 按字符串序列化HTML文档
result = etree.tostring(html)

print(result)

注意：

lxml 可以自动修正 html 代码，会对缺少的标签自动补全

解析html文件（关键词：etree.parse）

etree.parse(Data)

# lxml_parse.py

from lxml import etree

# 读取外部文件 hello.html
html = etree.parse('./hello.html')
result = etree.tostring(html, pretty_print=True)

print(result)

Xpath的使用

html.xpath(“匹配语法”)