第十节 lxml.etree解析HTML文件

from lxml import etree

r = ''' 
              <div class="tabsConItem syllabus">
                  <ul id="syList">
                                                                              <li class="item lesson" >
                                  <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>
                              </li>
                                                        <li class="item lesson" >
                                  <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>
                              </li>
                                                        <li class="item lesson" >
                                  <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>
                              </li>
                                                        <li class="item lesson" >
                                  <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>
                              </li>
                                                        <li class="item lesson" >
                                  <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>
                                                                  </ul>
                  <div id="syList_loading" class="loading">加载中</div>
                  <div id="syList_Empty" class="Empty"></div>
              </div>'''
'''

'''
def parse_text():
    html = etree.HTML(r)  # 这个底层已经设定好html解析器，不需要重新设置
    # 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
    print(etree.tostring(html, encoding='utf-8').decode('utf-8'))
def parse_lagou_file():
    #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
    parse = etree.HTMLParser(encoding="UTF-8")
    html2 = etree.parse('lagou.html',parser=parse)   #读取文件方式解析
    #etree.parse('lagou.html',parser=parse)默认是使用XML解析器的
    print(etree.tostring(html2,encoding='utf-8').decode('utf-8'))
if __name__ == '__main__':
    parse_lagou_file()