狹義上講，爬蟲只負責抓取，也就是下載網頁。而實際上，爬蟲還要負責從下載的網頁中提取我們想要的資料，即對非結構化的資料（網頁）進行解析提取出結構化的資料（有用資料）。比如，我們要抓取了一個新聞頁面的網頁（html）下來，但我們想要的是這個網頁中關於新聞的結構化資料：新聞的標題、新聞的釋出時間、新聞的正文等。
所以說，網頁下載下來只是第一步，還有重要的一步就是資料提取。不同的爬蟲想要的資料不一樣，提取的資料也就不一樣，但提取方法都是類似的。
最簡單的提取資料的方法，就是使用正規表示式，此種方法簡單，提取的邏輯也不能複雜，不然寫出的正規表示式就晦澀難懂，甚至不能提取複雜的資料結構。
最終，老猿經過多年的使用經驗，選擇了lxml和xpath來解析網頁提取結構化資料。順便說一下 BeautifulSoup，它也是一個很棒的解析HTML的工具，可以使用多個解析器，比如Python標準庫的parser，但是速度比較慢，也可以使用lxml作為解析器，但是它的使用方法、API跟lxml不太一樣。使用下來，還是lxml的API更舒服。
lxml 對C語言庫 libxml2和 libxslt進行繫結，提供了Pythonic的API，它有一些主要特點：
- 支援標準的XML
- 支援（損壞）的HTML
- 非常快的解析速度
- Pythonic的API更易於使用
- 使用Python的unicode字串
- 記憶體安全（沒有段錯誤）
- 不需要手動管理記憶體
總結為一句話就是，C語言的速度和Python的簡易相結合的神器。
lxml有兩大部分，分別支援XML和HTML的解析：
- lxml.etree 解析XML
- lxml.html 解析html
lxml.etree可以用來解析RSS feed，它就是一個XML格式的文件。然而爬蟲抓取的絕大部分都是html網頁，所以，我們這裡主要講述lxml.html解析網頁的方法。
lxml.html 從html字串生成文件樹結構
我們下載得到的網頁就是一串html字串，如何把它輸入給lxml.html模組，從而生成html文件的樹結構呢？
該模組提供了幾種不同的方法：
- parse(filename_url_or_file):
輸入的是一個檔名、URL或檔案物件（有read()方法）。 - document_fromstring(string):
輸入的是一個html的字串，建立一個HTML文件樹結構，它的根節點就是, 和 子節點。 - fragment_fromstring(string, create_parent=False):
返回輸入字串的HTML片段。這個片段桌布只含有一個element（元素），也就是單一節點，除非給出了create_parent 引數，否則會報錯。 - fragments_fromstring(string):
返回包含輸入字串中所有片段的列表。 - fromstring(string):
返回值依據輸入字串而定，如果輸入看起來像是一個文件，則返回document_fromstring(string)，如果是一個單一片段，則返回fragment_fromstring(string)。
下面我們通過具體示例來說明上面幾個方法的不同。
document_fromstring 的使用方法
In [1]: import lxml.html as lh
In [2]: z = lh.document_fromstring('<span>abc</span><span>xyz</span>')
# 可以看到，它自動加了根節點<html>
In [3]: z
Out[3]: <Element html at 0x7fc410667b88>
In [4]: z.tag
Out[4]: 'html'
# 還加了<body>節點
In [5]: z.getchildren()
Out[5]: [<Element body at 0x7fc4101a3ae8>]
# 把字串的兩個節點放在了<body>裡面
In [6]: z.getchildren()[0].getchildren()
Out[6]: [<Element span at 0x7fc410092bd8>, <Element span at 0x7fc410667c28>]
fragment_fromstring 的使用
In [11]: z = lh.fragment_fromstring(‘<div>abc</div><div>xyz</div>’)
---------------------------------------------------------------------------
ParserError Traceback (most recent call last)
<ipython-input-11-a11f9a0f71d1> in <module>()
----> 1 z = lh.fragment_fromstring(‘<div>abc</div><div>xyz</div>’)
~/.virtualenvs/py3.6/lib/python3.6/site-packages/lxml/html/__init__.py in fragment_fromstring(html, create_parent, base_url, parser, **kw)
850 raise etree.ParserError(
851 “Multiple elements found (%s)”
--> 852 % ‘, ‘.join([_element_name(e) for e in elements]))
853 el = elements[0]
854 if el.tail and el.tail.strip():
ParserError: Multiple elements found (div, div)
# 可以看到，輸入是兩個節點（element）時就會報錯
# 如果加上 create_parent 引數，就沒問題了
In [12]: z = lh.fragment_fromstring('<div>abc</div><div>xyz</div>', create_parent='p')
In [13]: z.tag
Out[13]: 'p'
In [14]: z.getchildren()
Out[14]: [<Element div at 0x7fc40a41a818>, <Element div at 0x7fc40a41aea8>]
fragments_fromstring 的使用
# 輸入字串含有一個節點，則返回包含這一個節點的列表
In [17]: lh.fragments_fromstring('<div>abc</div>')
Out[17]: [<Element div at 0x7fc40a124ea8>]
# 輸入字串含有多個節點，則返回包含這多個節點的列表
In [18]: lh.fragments_fromstring('<div>abc</div><div>xyz</div>')
Out[18]: [<Element div at 0x7fc40a124b88>, <Element div at 0x7fc40a124f98>]
fromstring 的使用
In [27]: z = lh.fromstring('<div>abc</div><div>xyz</div>')
In [28]: z
Out[28]: <Element div at 0x7fc40a0eb368>
In [29]: z.getchildren()
Out[29]: [<Element div at 0x7fc410135548>, <Element div at 0x7fc40a0eb2c8>]
In [30]: type(z)
Out[30]: lxml.html.HtmlElement
這裡，fromstring輸入的如果是多個節點，它會給加一個父節點並返回。但是像html網頁都是從節點開始的，我們使用fromstring() 和 document_fromstring() 都可以得到完整的網頁結構。
從上面程式碼中我們可以看到，那幾個函式返回的都是HtmlElement物件，也就是說，我們已經學會了如何從html字串得到HtmlElement的物件，下一節我們將學習如何操作HtmlElement物件，從中提取我們感興趣的資料。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***