我正则用的不好，处理HTML文档很累，有没有其他的方法？
有！那就是XPath，我们可以先将 HTML文件 转换成 XML文档，然后用 XPath 查找 HTML 节点或元素。
什么是XML
- XML 指可扩展标记语言（EXtensible Markup Language）
- XML 是一种标记语言，很类似 HTML
- XML 的设计宗旨是传输数据，而非显示数据
- XML 的标签需要我们自行定义。
- XML 被设计为具有自我描述性。
- XML 是 W3C 的推荐标准
W3School官方文档：
XML 和 HTML 的区别
Everyday Italian Giada De Laurentiis 2005 30.00 Harry Potter J K. Rowling 2005 29.99 XQuery Kick Start James McGovern Per Bothner Kurt Cagle James Linn Vaidyanathan Nagarajan 2003 49.99 Learning XML Erik T. Ray 2003 39.95
HTML DOM 模型示例
HTML DOM 定义了访问和操作 HTML 文档的标准方法，以树结构方式表达 HTML 文档。
XML的节点关系
1. 父（Parent）
每个元素以及属性都有一个父。
下面是一个简单的XML例子中，book 元素是 title、author、year 以及 price 元素的父：
Harry Potter J K. Rowling 2005 29.99
2. 子（Children）
元素节点可有零个、一个或多个子。
在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：
Harry Potter J K. Rowling 2005 29.99
3. 同胞（Sibling）
拥有相同的父的节点
在下面的例子中，title、author、year 以及 price 元素都是同胞：
Harry Potter J K. Rowling 2005 29.99
4. 先辈（Ancestor）
某节点的父、父的父，等等。
在下面的例子中，title 元素的先辈是 book 元素和 bookstore 元素：
Harry Potter J K. Rowling 2005 29.99
5. 后代（Descendant）
某个节点的子，子的子，等等。
在下面的例子中，bookstore 的后代是 book、title、author、year 以及 price 元素：
Harry Potter J K. Rowling 2005 29.99
什么是XPath？
XPath (XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。
W3School官方文档：
XPath 开发工具
- 开源的XPath表达式编辑工具:XMLQuire(XML格式文件可用)
- Chrome插件 XPath Helper
- Firefox插件 XPath Checker
选取节点
XPath 使用路径表达式来选取 XML 文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。
下面列出了最常用的路径表达式：
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
谓语（Predicates）
谓语用来查找某个特定的节点或者包含某个指定的值的节点，被嵌在方括号中。
在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
XPath 通配符可用来选取未知的 XML 元素。
选取若干路径
通过在路径表达式中使用“|”运算符，您可以选取若干个路径。
实例
在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：
XPath的运算符
下面列出了可用在 XPath 表达式中的运算符：
这些就是XPath的语法内容，在运用到Python抓取时要先转换为xml。
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：
需要安装C语言库，可使用 pip 安装：pip install lxml （或通过wheel方式安装）
初步使用
我们利用它来解析 HTML 代码，简单示例：
# lxml_test.py# 使用 lxml 的 etree 库from lxml import etree text = ''''''#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)
- first item
- second item
- third item
- fourth item
- fifth item # 注意，此处缺少一个
闭合标签
输出结果：
lxml 可以自动修正 html 代码，例子里不仅补全了 li 标签，还添加了 body，html 标签。
文件读取：
除了直接读取字符串，lxml还支持从文件里读取内容。我们新建一个hello.html文件：
再利用 etree.parse() 方法来读取文件。
# lxml_parse.pyfrom lxml import etree# 读取外部文件 hello.htmlhtml = etree.parse('./hello.html')result = etree.tostring(html, pretty_print=True)print(result) 输出结果与之前相同：
XPath实例测试
1. 获取所有的 <li> 标签
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')print type(html) # 显示etree.parse() 返回类型result = html.xpath('//li')print result # 打印输出结果：
[ , , , , ]5
2. 继续获取<li> 标签的所有 class属性
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li/@class')print result 运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
3. 继续获取<li>标签下hre 为 link1.html 的 【a】(此处为英文状态下的中括号 为了防止Markdown语法转义 所以写成中文状态下的中括号) 标签
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li/a[@href="link1.html"]')print result 运行结果
[]
4. 获取<li> 标签下的所有 <span> 标签
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')#result = html.xpath('//li/span')#注意这么写是不对的：#因为 / 是用来获取子元素的，而 并不是 的子元素，所以，要用双斜杠result = html.xpath('//li//span')print result 运行结果
[]
5. 获取 <li> 标签下的标签里的所有 class
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li/a//@class')print result 运行结果
['blod']
6. 获取最后一个 <li> 的 的 href
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li[last()]/a/@href')# 谓语 [last()] 可以找到最后一个元素print result运行结果['link5.html'] 7. 获取倒数第二个元素的内容
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//li[last()-1]/a')# text 方法可以获取元素内容print result[0].text 运行结果
fourth item
8. 获取 class 值为 bold 的标签名
# xpath_li.pyfrom lxml import etreehtml = etree.parse('hello.html')result = html.xpath('//*[@class="bold"]')# tag方法可以获取标签名print result[0].tag 运行结果
span