python html parser库lxml的介绍和使用（快速入门）
lxm是python的一个html/xml解析并建立dom的库，lxml的特点是功能强大，性能也不错，xml包含了ElementTree ，html5lib ，beautfulsoup 等库，但是lxml也有自己相对应的库，所以，导致lxml比较复杂，初次使用者很难了解其关系。
安装lxml
lxml安装依赖
python-devel,libxml2-devel,libxslt-devel，
装好之后，下载
http://codespeak.net/lxml/lxml-2.2.8.tgz，
tar zxvf lxml-2.2.8.tgz，
然后python setup.py install即可
1. 解析html并建立dom
>>> import lxml.etree as etree
>>> html = '<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'
>>> dom = etree.fromstring(html)
>>> etree.tostring(dom)
'<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'
如果用beautifulsoup的解析器，则
>>> import lxml.html.soupparser as soupparser
>>> dom = soupparser.fromstring(html)
>>> etree.tostring(dom)
'<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'
但是我强烈建议使用soupparser，因为其处理不规范的html的能力比etree强太多。
2. 按照Dom访问Element
子元素长度
>>> len(dom)
1
访问子元素：
>>> dom[0].tag
'body'
循环访问：
>>> for child in dom:
... print child.tag
...
body
查看节点索引
>>>body = dom[0]
>>> dom.index(body)
0
字节点获取父节点
>>> body.getparent().tag
'html'
访问所有子节点
>>> for ele in dom.iter():
... print ele.tag
...
html
body
div
div
3. 访问节点属性
>>> body.get('id')
'1'
也可以这样
>>> attrs = body.attrib
>>> attrs.get('id')
'1'
4. 访问Element的内容
>>> body.text
'abc'
>>> body.tail
text只是从本节点开始到第一个字节点结束；tail是从最后一个字节结束到本节点未知。
访问本节点所有文本信息
>>> body.xpath('text()')
['abc', 'def', 'ghi']
访问本节点和子节点所有文本信息
>>> body.xpath('//text()')
['abc', '123', 'def', '456', 'ghi']
貌似返回本文档中所有文字信息
body.text_content()返回本节点所有文本信息。
5.Xpath的支持
所有的div元素
>>> for ele in dom.xpath('//div'):
... print ele.tag
...
div
div
id=“1”的元素
>>> dom.xpath('//*[@id="1"]')[0].tag
'body'
body下的第1个div
>>> dom.xpath('body/div[1]')[0].tag
'div'
参考：
lxml的官方文档：http://codespeak.net/lxml/
HtmlParser的性能：http://blog.ianbicking.org/2008/03/30/python-html-parser-performance/