Question

我一整夜都在寻找，但我仍然不确定如何完成工作。我是python的新手，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（从一个受信任的网站下载的所有新产品说明）存储在一个文件夹中，现在我想逐个清理这些文件（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。

在阅读了几篇Q＆amp; As后，我认为我需要使用lxml包而不是漂亮的汤，因为所有.html文件都来自高度可靠的来源。但是，我不知道lxml中我应该使用哪个命令/选项，请你告诉我吗？

Answer 1

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。只要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”即可。 - ＆GT;右键单击需要解析的html元素 - ＆gt;选择＆＃39;复制xpath＆＃39;。

在您的python代码中请求页面。拿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，请添加＆＃39; / text（）＆＃39;到xpath的末尾。 Chrome的xpath版本有时与python读取的内容不同（我有这个问题的表格），所以如果它没有返回任何内容，请稍微使用xpath以确保有效。

可替换地，

你可以＆＃34;导航＆＃34; html文件的结构，而不是使用带有

的xpath

.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，以确定您需要使用哪一个。