1 from lxml import etree 2 3 r = ''' 4 <div class="tabsConItem syllabus"> 5 <ul id="syList"> 6 <li class="item lesson" > 7 <div class="main"><a href="https://edu.51cto.com/center/course/lesson/index?id=226242" title="第一个python程序与数据存储-1" target="_blank">第一个python程序与数据存储-1</a></div> 8 </li> 9 <li class="item lesson" > 10 <div class="main"><a href="https://edu.51cto.com/center/course/lesson/index?id=226241" title="第一个python程序与数据存储-2" target="_blank">第一个python程序与数据存储-2</a></div> 11 </li> 12 <li class="item lesson" > 13 <div class="main"><a href="https://edu.51cto.com/center/course/lesson/index?id=226240" title="第一个python程序与数据存储-3" target="_blank">第一个python程序与数据存储-3</a></div> 14 </li> 15 <li class="item lesson" > 16 <div class="main"><a href="https://edu.51cto.com/center/course/lesson/index?id=226239" title="第一个python程序与数据存储-4" target="_blank">第一个python程序与数据存储-4</a></div> 17 </li> 18 <li class="item lesson" > 19 <div class="main"><a href="https://edu.51cto.com/center/course/lesson/index?id=226238" title="第一个python程序与数据存储-5" target="_blank">第一个python程序与数据存储-5</a></div> 20 </ul> 21 <div id="syList_loading" class="loading">加载中</div> 22 <div id="syList_Empty" class="Empty"></div> 23 </div>''' 24 ''' 25 26 ''' 27 def parse_text(): 28 html = etree.HTML(r) # 这个底层已经设定好html解析器，不需要重新设置 29 # 使用etree将爬虫爬取保存成字符串格式的文件重新转换成HTML格式的文件以便用xpath语法提取信息 30 print(etree.tostring(html, encoding='utf-8').decode('utf-8')) 31 def parse_lagou_file(): 32 #拉钩网的语法不想腾讯的那么规范，因此需要调用etree.HTMLParser生成一个专门用来解析html的解析器正常解析 33 parse = etree.HTMLParser(encoding="UTF-8") 34 html2 = etree.parse('lagou.html',parser=parse) #读取文件方式解析 35 #etree.parse('lagou.html',parser=parse)默认是使用XML解析器的 36 print(etree.tostring(html2,encoding='utf-8').decode('utf-8')) 37 if __name__ == '__main__': 38 parse_lagou_file()