用Python解析HTML页面

我们通常需要解析网络爬取的页面，以获取我们需要的数据。通过分析 HTML 标签的组合结构，我们可以提取出网页中所包含的有用信息。在 Python 中，有三种常见的 HTML 解析方式：正则表达式解析、XPath 解析和 CSS 选择器解析。

HTML 页面的结构

了解 HTML 页面的基本结构是在讲解 HTML 解析方式之前的先决条件。当我们在浏览器中打开一个网站，并通过鼠标右键菜单选择“显示网页源代码”菜单项时，就可以看到网页对应的 HTML 代码。HTML 代码通常由标签、属性和文本组成。标签承载页面显示的内容，属性补充标签信息，而文本则是标签所展示的内容。下面是一个简单的 HTML 页面代码结构示例：

    
        
        
    
    
        
        
这是一级标题
        
这是一段文本
    

在这个 HTML 页面代码示例中，是文档类型声明，标签是整个页面的根标签，和是标签的子标签，放在标签下的内容会显示在浏览器窗口中，这部分内容是网页的主体；放在标签下的内容不会在浏览器窗口中显示，但是却包含了页面重要的元信息，通常称之为网页的头部。HTML 页面大致的代码结构如下所示：

标签、层叠样式表（CSS）和 JavaScript 是构成 HTML 页面的三个基本组成部分。标签用来承载页面要显示的内容，CSS 负责对页面的渲染，而 JavaScript 用来控制页面的交互式行为。要实现 HTML 页面的解析，可以使用 XPath 的语法，它原本是 XML 的一种查询语法，可以根据 HTML 标签的层次结构提取标签中的内容或标签属性；此外，也可以使用 CSS 选择器来定位页面元素，就跟用 CSS 渲染页面元素是同样的道理。

XPath 解析

XPath 是在 XML（eXtensible Markup Language）文档中查找信息的一种语法，XML 跟 HTML 类似也是一种用标签承载数据的标签语言，不同之处在于 XML 的标签是可扩展的，可以自定义的，而且 XML 对语法有更严格的要求。XPath 使用路径表达式来选取 XML 文档中的节点或者节点集，这里所说的节点包括元素、属性、文本、命名空间、处理指令、注释、根节点等。

XPath路径表达式类似于文件路径语法，可使用“/”和“//”选取节点。选取根节点时，可使用单斜杠"/"；选取任意位置的节点时，可使用双斜杠"//”。例如，“/bookstore/book”表示选取根节点 bookstore 下的所有 book 子节点，“//title”表示选取任意位置的 title 节点。

XPath 还可以使用谓语（Predicate）来过滤节点。方括号中的嵌套表达式可以是数字、比较运算符或函数调用，作为谓语。例如，“/bookstore/book[1]”表示选取 bookstore 的第一个子节点 book，“//book[@lang]”表示选取所有具有 lang 属性的 book 节点。

XPath 的函数包括字符串、数学、逻辑、节点、序列等函数，这些函数可以用于选取节点、计算值、转换数据类型等操作。例如，“string-length(string)”函数可以返回字符串的长度，“count(node-set)”函数可以返回节点集中节点的个数。

下面我们通过一个例子来说明如何使用 XPath 对页面进行解析。假设我们有如下的 XML 文件：

<?xml version="1.0" encoding="UTF-8"?>

    
      
      29.99
    
    
      
      39.95
    

对于这个 XML 文件，我们可以用如下所示的 XPath 语法获取文档中的节点。

CSS 选择器解析

通过HTML标签的属性和关系来定位元素的方式被称为CSS选择器。根据 HTML 标签的层级结构、类名、id 等属性能够确定元素的位置。在 Python 中，我们可以使用 BeautifulSoup 库来进行 CSS 选择器解析。

我们接下来会举一个例子，讲解如何运用 CSS 选择器来分析页面。假设我们有如下的 HTML 代码：

	
	


	
		
这是一级标题
		
这是一段文本
	
	
		
版权所有 © 2021
	

我们可以使用如下所示的 CSS 选择器语法来选取页面元素。

正则表达式解析

用正则表达式可以解析 HTML 页面，从而实现文本的匹配、查找和替换。使用 re 模块可以进行 Python 的正则表达式解析。

下面我们通过一个例子来说明如何使用正则表达式对页面进行解析。假设我们有如下的 HTML 代码：

	
	


	
		
这是一级标题
		
这是一段文本
	
	
		
版权所有 © 2021
	

我们可以使用如下所示的正则表达式来选取页面元素。

import re
html = '''



	
	


	
		
这是一级标题
		
这是一段文本
	
	
		
版权所有 © 2021
	


'''
pattern = re.compile(r'.*?
(.*?)
.*?
(.*?)
.*?', re.S)
match = re.search(pattern, html)
if match:
    title = match.group(1)
    text = match.group(2)
    print(title)
    print(text)

以上代码中，我们使用 re 模块的 compile 方法来编译正则表达式，然后使用 search 方法来匹配 HTML 代码。在正则表达式中，“.*?”表示非贪婪匹配，也就是匹配到第一个符合条件的标签就停止匹配，而“re.S”表示让“.”可以匹配包括换行符在内的任意字符。最后，我们使用 group 方法来获取匹配的结果。