lxml的HtmlElement对象获取和设置inner html-Python爬虫解析html

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。

1. lxml.html解析网页简介

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?

2. 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]

3. 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:

  1.  清空节点div里面的内容:包括它的text和子节点
  2.  把新的inner html转变成fragments
  3.  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)
    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。

 

未经允许不得转载:996ICU » lxml的HtmlElement对象获取和设置inner html-Python爬虫解析html

赞 (0) 打赏