我整晚都在寻找，但我仍然不确定如何完成这项工作。我是python新手，所以如果我问一些简单的问题，请先原谅我。
我有三千个 .html 文件（从受信任的网站下载的所有新产品描述）存储在一个文件夹中，现在我想一一清理这些文件（即只保留内容/产品描述和删除标签等），然后将每个内容存储为单个 .txt 文件。
在阅读了这里发布的一些问答之后，我认为我需要使用 lxml 包而不是漂亮的汤，因为所有 .html 文件都来自高度可信的来源。但是，我不知道应该使用 lxml 中的哪个命令/选项，请告诉我吗？
【问题讨论】：
标签： python html beautifulsoup lxml lxml.html
lxml 是一个不错的选择，不仅因为它是一个很好的来源，而且因为它的速度。只需考虑到受信任的来源并不意味着格式正确的标记，这在库之间很重要。
如果所有页面都具有相同的结构，xpath 将完成这项工作。首先，您需要获取 Chrome 可以为您执行的xpath，只需执行“检查元素”-> 右键单击您需要解析的 html 元素-> 选择“复制 xpath”。
在您请求页面后，在您的 python 代码中。获取html并转换它：
from lxml import html
tree = html.fromstring("htmlString") #you can switch this with the path of the html file
name = tree.xpath('XPATH GOES HERE')
在大多数情况下，这将返回一个列表对象。要仅从属性中获取文本，请将“/text()”添加到 xpath 的末尾。 Chrome 的 xpath 版本有时与 python 读取的不同（我在表中遇到了这个问题），所以如果它没有返回任何内容，请稍微使用 xpath 以确保正常工作。
或者，
您可以“导航” html 文件的结构，而不是使用带有 xpath 的
.find_class('css_class_Name') .getnext() .getchildren()
例如然后使用
.text_content()
从 html 元素中提取文本。我鼓励您阅读这些docs，以准确了解您需要使用哪一个。
【讨论】：