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。

lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

lxml python 官方文档：http://lxml.de/index.html

需要安装C语言库，可使用 pip 安装：pip install lxml

我们可以利用他来解析HTML代码，并且在解析HTML代码的时候，如果HTML代码不规范，他会自动的进行补全。示例代码如下：

# 使用 lxml 的 etree 库
from lxml import etree 

text = '''
    

         first item
         second item
         third item
         fourth item
         fifth item # 注意，此处缺少一个  闭合标签     
 '''

#利用etree.HTML，将字符串解析为HTML文档
html = etree.HTML(text) 

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

print(result)

输入结果如下：

    

         first item
         second item
         third item
         fourth item
         fifth item
 

可以看到。lxml会自动修改HTML代码。例子中不仅补全了li标签，还添加了body，html标签。

除了直接使用字符串进行解析，lxml还支持从文件中读取内容。我们新建一个hello.html文件：

    

         first item
         second item
         third item
         fourth item
         fifth item
     
 

然后利用etree.parse()方法来读取文件。示例代码如下：

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

print(result)

1. 解析html字符串：使用lxml.etree.HTML进行解析。示例代码如下：

   htmlElement = etree.HTML(text)
   print(etree.tostring(htmlElement,encoding='utf-8').decode("utf-8"))

2. 解析html文件：使用lxml.etree.parse进行解析。示例代码如下：

   htmlElement = etree.parse("tencent.html")
   print(etree.tostring(htmlElement, encoding='utf-8').decode('utf-8'))

   这个函数默认使用的是XML解析器，所以如果碰到一些不规范的HTML代码的时候就会解析错误，这时候就要自己创建HTML解析器。

   parser = etree.HTMLParser(encoding='utf-8')
   htmlElement = etree.parse("lagou.html",parser=parser)
   print(etree.tostring(htmlElement, encoding='utf-8').decode('utf-8'))

作者：编程小王子AAA
链接：https://www.jianshu.com/p/a8064ce79e94