目录

  • 源起
  • 分析
  • 解决
  • 总结

源起

现在我们面对一些爬虫数据,特别是对于web网页的爬取的时候,网页总有一些不规整的数据来导致拿数据的麻烦,比如如下这种

    <html>
    
    
    
    <p>111</p>
    <p>222</p>
    <p>333</p>
    <p>444
        <script>
           eeeeeeeeeeee
        </script>
    </p>
    <p>555
      <script> 
          aabbccddd
      </script> 
    </p>
    
    
    </html>

我只想拿到111,222,333,444,555这些有效的信息,因为有些p标签里面会引入script元素,导致我们还要在后期清洗,比较麻烦

分析

首先拿到问题我们就可以本能的想至少两种方式,如果当成是文本处理,使用排除掉script这些文本,另外我们可以直接移除掉这些script元素,这里我不推荐使用正则,毕竟我们拿到一个特定的环境,比如lxml 库就可以很轻松的处理这些文档,使用正则后期维护困难,另外,你过两个星期之后你也不会知道你当时写的正则是什么意思

解决

还是直接上代码吧

# -*- coding: utf-8 -*-
from lxml import html
from lxml.html.clean import Cleaner

html_str = """
<html>



<p>111111</p>
<p>222222</p>
<p>333333</p>
<p>44444
    <script>
        eeeeeeeeeeee
    </script>
</p>
<p>665666
  <script> 
      aabbccddd
  </script> 
</p>


</html>    
"""
  
def clean_script():
    cleaner = Cleaner()
    cleaner.javascript = True  # This is True because we want to activate the javascript filter
    cleaner.style = True # clean the style element 

    tree = html.fromstring(html_str)
    print html.tostring(cleaner.clean_html(tree))


def remove_node():
    tree = html.fromstring(html_str)

    ele = tree.xpath('//script')
    for e in ele:
        e.getparent().remove(e)

    print html.tostring(tree)


if __name__ == '__main__':
    remove_node()

输出结果

    <html>
    
    <body>
    
    <p>111111</p>
    <p>222222</p>
    <p>333333</p>
    <p>44444
        </p>
    <p>665666
      </p>
    
    
    </body></html>

总结

本次主要介绍了常见的html 数据清洗方法,介绍了lxml 一些常用操作和方法,希望对于大家清洗数据的时候有帮助