python中用lxml解析html以及学习如何操作节点的实际html字符串
Python的lxml是一个相当强悍的解析html、XML的模块，最新版本支持的python版本从2.6到3.6，是写爬虫的必备利器。它基于C语言库libxml2 和 libxslt，进行了Python范儿(Pythonic)的绑定，成为一个具有丰富特性又容易使用的Python模块。虽然特性丰富，但是它在修改数节点时又缺少了些接口，比如本文讲到的获取 inner html 和 设置（修改）inner html功能。
解析网页的html一般使用lxml.html模块，步骤很简单分三步走：
(1) 导入模块：
import lxml.html
(2) 把html转换为html document 树，根节点就是<html>标签：
doc = lxml.html.fromstring(html)
(3) 使用xpath查找要提取的节点：
nodes = doc.xpath('//div[@class, 'the']/div[@id, 'xpath']')
以上三步分成简洁，实际使用中，可能要反复第三部，通过不同的xpath获得不同的节点进行数据提取。
可以说，lxml解析（只读模式）html的功能又强大又方便。但是，如果需要修改（写模式）某些节点的html就有点困难了，它在这方面提供的API很少，只有修改节点tag属性的API，比如修改节点的class，id，href等属性是可以的。
那么如何操作节点的实际html字符串呢？
1. 获取节点的inner html
那么，什么是inner html呢？首先，我们来看一段html代码示例：
<div class=”text”>这是div<a href=”/node”>节点</a>内容</div>
对于div 这个html标签节点，它的inner html就是:
这是div<a href=”/node”>节点</a>内容
即该标签包含的所有内容；而包含div标签在内的全部示例代码就是div的outer html。
明白了inner html 和 outer html的概念，我们就着手获取它们。
lxml.html.tostring(html_element) 接口的作用是把一个节点及其子节点形成的树转换成html，也就是该节点的outer html，由此我们来获得inner html，并实现为以下函数：
def get_inner_html(node):
html = lxml.html.tostring(node, encoding="utf8").decode('utf8')
p_begin = html.find('>') + 1
p_end = html.rfind('<')
return html[p_begin: p_end]2. 设置节点的inner html
设置inner html相较于获取更复杂一些，我们还是以上面那段html代码为例：
<div class=”text”>这是div<a href=”/node”>节点</a>内容</div>
假设我们要把它的inner html 改成如下字符串：
this is div<a href=”/node”>node</a>text
则操作步骤是：
清空节点div里面的内容：包括它的text和子节点
把新的inner html转变成fragments
把fragments加到清空后的div节点
把以上步骤写出Python函数就是：
def set_inner_html(node, html): node.text = '' for child in node.getchildren(): node.remove(child) 4 fragments = lxml.html.fragments_fromstring(html) if type(fragments[0]) == str: node.text = fragments.pop(0) node.extend(fragments)
通过以上函数就可以成功把node里面的内容设置成想要的html内容，适合在动态修改网页结构内容时使用。
在这里跟大家一起分享Python知识，一方面我自已也在写一个Python教程的博客：猿人学和公从号猿人学Python，从Python基础教程到Python技术杂谈，和一些利用Python爬虫挣钱的思路，都在我的个人博客中首发，兴趣的朋友可以关注一下。
- 点赞
- 收藏
- 关注作者
评论（0）