html解析（etree.xpath、BeautifulSoup和pyquery ）

etree.xpath 使用

参考网站：https://www.w3school.com.cn/xpath/xpath_functions.asp

第1步导入lxml模块

第2步初始化准备要用处理的文件或者字符串

第3步，按照各种规则来提取第2步已经处理好的html

第一种：利用现有的html文件导入


from lxml import etree
html = etree.parse(\'./maoyan.html\',etree.HTMLParser(encoding=\'utf-8\')) //利用现有的html文件导入，使用方法
result01 = html.xpath(\'//i/ancestor::dd\')

第2种，利用代码中的定义的text

text = \'\'\'

<div>

<ul>

<li class="item-0"><a href="link1.html">first item</a></li>

<li class="item-1"><a href="link2.html">second item</a></li>

<li class="item-inactive"><a href="link3.html">third item</a></li>

<li class="item-1"><a href="link4.html">fourth item</a></li>

<li class="item-0"><a href="link5.html">fifth item</a></li>

</ul>

</div>

\'\'\'

html = etree.HTML(text) //直接使用初始化已经有的text

result = etree.tostring(html )

print(result.decode(\'utf-8\'))

BeautifulSoup

参考网站：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id14

第1步，导入BeautifulSoup

第2步，初始化准备要用处理的文件或者字符串

第3步，按照各种规则来提取第2步已经处理好的html

两种构造方法：

soup = BeautifulSoup(open("index.html"))

soup = BeautifulSoup("<html>data</html>")



from bs4 import BeautifulSoup

#使用已经有的html来处理，建议使用open先打开html，因为如果有中文字符的话，直接打开的话会出现中文乱码问题

html = open(\'maoyan.html\',\'r\',encoding=\'utf-8\') 
soup = BeautifulSoup(html,\'lxml\')

print(type(soup.div.div.div.div.div.contents))

pyquery

参考网站：https://pyquery.readthedocs.io/en/latest/index.html

第1步，

导入from pyquery import PyQuery as pq

第2步：初始化需要处理要用处理的文件或者字符串

第3步，按照各种规则来提取第2步已经处理好的html

构造方法：
 from pyquery import PyQuery as pq
 from lxml import etree
 import urllib

　　1、直接字符串

　　doc = pq("<html></html>") 　　pq 参数可以直接传入 HTML 代码，doc 现在就相当于 jQuery 里面的 $ 符号了

　　2、lxml.etree

　　doc = pq(etree.fromstring("<html></html>"))

　　可以首先用 lxml 的 etree 处理一下代码，这样如果你的 HTML 代码出现一些不完整或者疏漏，都会自动转化为完整清晰结构的 HTML代码。

　　3、直接传URL

　　doc = pq(\'http://www.baidu.com\')

　　这里就像直接请求了一个网页一样，类似用 urllib2 来直接请求这个链接，得到 HTML 代码

　　4、传文件

　　doc = pq(filename=\'hello.html\')可以直接传文件名

说明：

# 读取文件内容初始化，编码格式为GBK，当有不可识别字符时会报错，可通过open指定编码格式为utf-8来解决

html = open(\'maoyan.html\',\'r\',encoding=\'utf-8\')

doc = pq(html.read())

print(doc(\'dd\'))