一、Python库

基于Xpath和Dom树两个基础知识,可以使用python库进行针对性的信息抽取 处理XML和HTML的第三方库：

1. Lxml
2. beautifulsoup4

二、lxml

它是Python语言中处理XML和HTML的第三方库

1. 从网络爬虫的角度看，我们关注lxml的文本解析功能
2. 在iPython环境中,使用lxml：from lxml import etree
3. 底层封装C语言编写的libxml2和libxslt包
4. 提供简单有效的Python API
5. 官方文档：https://lxml.de/

三、解析

根据目标文本的类型，lxml提供不同的函数来去解析

1. fromstring()：解析字符串
2. HTML()：解析HTML类型对象
3. XML()：解析XML类型对象
4. parse()：解析文件类型对象

四、Xpath

1. XML路径语言，是一种用来确定XML文档中某部分位置的语言
2. 基于XML的树状结构，提供在数据结构树中找寻节点的能力
3. Xpath可以用来标记XML和HTML语言的某一部分

五、DOM树

1. 基于DOM，会载入整个HTML文档，并解析整个DOM树
2. HTML是分层的，由标签、属性、数据组成，这些元素整体构成一棵DOM树
3. DOM树中每个节点都是一个元素，一个元素可以有自己的属性，也可以包含若干个子

六、第三方解析库

BeautifulSoup是Python语言中另一种解析XML/HTML的第三方解析库

1. 处理不规范标记并生成分析树
2. 提供简单的导航，搜索以及修改分析树的操作功能