你好，我是zhenguo，今天搞点有趣的。,我们爬取网页后，无非是先定位到html标签，然后取其文本。定位标签，最常用的一个包lxml。,在这篇文章，我会使用一个精简后的html页面，演示如何通过lxml定位并提取出想要的文本，包括：,html，全称HyperText Markup Language，是超文本标记结构。,html组织结构对应数据结构的树模型。,因为是树，所以只有一个根节点，即一对<html></html>标签。一对<>和名称组合称为标签，例如，<html>被称为开始标签，</html>被称为结束标签。,开始标签中可以添加附加信息，风格为属性名=属性值。,如下所示，选中的<div>就是一个开始标签，它有属性id，值为content，还有属性style等：,lxml官档截图如下，按照官档的说法，lxml是Python语言中，处理XML和HTML，功能最丰富、最易于使用的库。,不难猜想，lxml中一定实现了查询树中某个节点功能，并且应该性能极好。,废话不多说，举例演示lxml超简便的定位能力。,导入lxml中的etree：,my_page是html风格的字符串，内容如下所示：,使用etree.fromstring转化为可以使用xpath的对象。,接下来，就能方便的定位：,取出一对标签中的内容，使用text()方法。,如下所示，取出属性名为foot的标签div中的text：,除了定位标签，获取标签间的内容外，也会需要提取属性对应值。,获取标签a下所有属性名为href的对应属性值，写法为：//a/@href,得到结果：,还可以做一些特殊的定制操作，如使用findall方法，定位到div标签下带有a的标签。,使用text获取内容，a.attrib.get获取对应属性值。,最后注意一个区别，a_href等于第二个div标签下的子标签a的href属性值；,b_href等于第二个div标签下的子或所有后代标签下a的href属性值：,
© 版权声明
文章版权归作者所有，未经允许请勿转载。
">