lxml：python 的HTML/XML的解析器

1.安装 lxml

【PyCharm】>【file】>【settings】>【Project Interpreter】>【+】 >【lxml】>【install】

注意：在python3.5之后的 lxm 模块l中不能再直接引入etree模块，虽然新版本无法直接”from lxml import etree“这样，但是，它只不过是换了一个办法引出 etree而已，具体如下：

from lxml import html
etree = html.etree

2.功能：

• 解析HTML：使用 etree.HTML(text) 将字符串格式的 html 片段解析成 html 文档

• 读取xml文件

• etree和XPath 配合使用

3.element对象

element对象是xpath语法的使用对象，element对象可由html字符串转化

• 利用etree.HTML()将html字符串转化为element对象

from lxml import etree
MyStr = '''<meta name="baidu-site-verification" content="cZdR4xxR7RxmM4zE" />
    <meta http-equiv="Pragma" content="no-cache">
    <meta http-equiv="Expires" content="Sun, 6 Mar 2005 01:00:00 GMT">
    '''
HtmlElement = etree.HTML(MyStr) 
print(type(HtmlElement))
#<class 'lxml.etree._Element'>

• 读取外部xml/html文件

# lxml-etree读取文件from lxml import etree
xml = etree.parse("./py24.xml")
sxml = etree.tostring(xml, pretty_print=True)
print(sxml)

• 将element对象转化为字符串

etree的tostring方法可以将element转化为二进制类型。故需要用encoding属性指定编码方法，否则可能会造成乱码。

且此方法会使原来不规则的html字符串补全为规则的html

HtmlStr=etree.tostring(HtmlElement,encoding="utf-8").decode()
print(HtmlStr)

注意：etree.tostring()方法用来将Element对象转换成字符串。一般通过简单的xpath表达式无法得到想要的内容的时候我就会用该方法。

4.element对象的xpath方法

利用etree.HTML，将字符串转化为Element对象,Element对象具有xpath的方法,返回结果的列表，能够接受bytes类型的数据和str类型的数据

html = etree.HTML(text) 
ret_list = html.xpath("//link[@ href]")# 这样匹配列表中的每个元素都是element元素
ret_list = html.xpath("//link/@href")  # 这样匹配列表中的每个元素都是字符串