[爬虫]python下的xpath清洗数据之html数据清洗
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>
<div>
<p>111p>
<p>222p>
<p>333p>
<p>444
<script>
eeeeeeeeeeee
script>
p>
<p>555
<script>
aabbccddd
script>
p>
div>
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
from lxml import html
from lxml.html.clean import Cleaner
html_str = """
111111
222222
333333
44444
665666
"""
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><div>
<p>111111p>
<p>222222p>
<p>333333p>
<p>44444
p>
<p>665666
p>
div>
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