Skip to content

Latest commit

 

History

History
393 lines (264 loc) · 9.34 KB

557-757829-lxml_注释_Comment_实体_Entity.sy.md

File metadata and controls

393 lines (264 loc) · 9.34 KB
Raw
show version enable_checker
step
1.0
true

语法 html 遍历

回忆

  • 上次已经在内存构建了一棵 etree 树了
  • 树是由节点 Element 构成的
  • Element 元素的成员有:
    • attrib 属性字典
    • text 具体文本
    • tail 后跟文本
    • tag 标签
    • iter() 迭代器函数
      • iter 是深度优先遍历
      • 可以对tag进行筛选
  • 除了etree.Element之外
    • 网页中还有什么对象吗？🤔

实体和注释

  • 为 root元素 增加了 两类对象
    • etree.Entity("#234") 实体
    • etree.Comment("some comment") 注释
    • 还有原来的
    • etree.Element("h1")
  • root 元素本身是
    • etree.Element 对象

图片描述

  • Entity 和 Comment 是另外两类对象
    • 作为 root 元素的子对象
      • 可以被遍历到
      • 但是不属于 etree.Element 元素类的对象
  • iter()函数中
    • 用参数 tag=etree.Element
    • 可以进行筛选
  • Entity 元素本身只包含
    • text 成员
  • Comment 元素包含
    • 头尾的注释标记
    • 具体的注释内容

添加实体

  • 为body元素添加Entity("#234")
from lxml import etree
et_html = etree.Element("html")
etree.SubElement(et_html,"head")
etree.SubElement(et_html[0],"title").text = "oeasy"
etree.SubElement(et_html,"body").text = "o2z"
et_html[1].append(etree.Entity("#234"))
print(etree.tostring(et_html,pretty_print=True).decode())
  • 运行结果

图片描述

输出重定向

:w|!python3 % > 1.html
  • 输出重定向到1.html

图片描述

使用火狐

:!firefox 1.html
  • 用火狐打开1.html

图片描述

  • 出现了ê这个字符
  • 这个ê是什么呢？

观察字符

  • ê的序号是234

图片描述

  • 查看源文件
    • 看到源文件中的 实体
    • Entity

图片描述

  • 我可以把ê这个字符
    • 直接放进网页 源文件吗？

直接使用字符

图片描述

  • 这次 字符ê

    • 成为了text的一部分
    • 而不是一个 Entity 实体

  • 为什么会有ê这种写法呢？

输入符号

  • 有些符号
    • 键盘上没有按键

图片描述

  • 就使用 ê 方式输出
    • 234 对应着 该符号的 unicode编码
  • 可以换个序号输出吗？🤔
  • 我们试试

汉字

图片描述

  • 得到序号

图片描述

  • 确实输出了指定序号的汉字

图片描述

  • 源文件中依然使用Entity的形式

图片描述

  • 可以输出emoji符号吗？

emoji

图片描述

  • 得到序号

图片描述

  • 生成实体

图片描述

  • 源代码中依然使用的是Entity

图片描述

编码问题

  • 例子代码

图片描述

  • 我们简化这个代码

操作

from lxml import etree
et_body = etree.Element("body")
et_body.text = u"\xf6"
print(etree.tostring(et_body,pretty_print=True).decode())f
  • 本身没有什么问题

图片描述

  • 甚至可以看到输出重定向的网页

图片描述

  • 问题出现在tostring函数中
    • 当method = "text" 时

转化为纯文本

图片描述

  • 问题是

图片描述

  • b"\xf6"
    • 无法用默认的ascii 进行解码

图片描述

  • 那是为什么？

字符集与编码格式

  • unicode是字符集
    • 只提供字符对应序号
    • 但无法用于 存储传输
  • utf-8是编码方式
    • 可以 编码进入字节
    • 可以 存储传输

图片描述

  • b"\xf6" 是1个字节
    • 里面存储的是
    • ö 在unicode编码下的字节形态
  • b"\xc3\xb6" 是2个字节
    • 里面存储的
    • ö 在utf-8编码下的字节形态
  • 默认的ascii解码
    • 解不出来b"\xf6"怎么办呢？
    • 观察tostring的细节

设置编码

图片描述

  • 先把默认编码设置为utf-8

utf-8

  • 这个字符的 unicode 编码是\xf6
    • 传输的时候需要使用 utf-8
    • 编码为 utf-8 方式后
    • 占据两个字节
      • 为\xc3\xb6

图片描述

  • 然后再用utf-8解码就可以了

修改代码

图片描述

from lxml import etree
et_body = etree.Element("body")
et_body.text = u"\xf6"
print(etree.tostring(et_body,encoding="utf-8",pretty_print=True).decode())
  • 执行结果

图片描述

完整过程

  • text属性的类型是string
    • tostring默认得到的是 unicode 编码的字节流 bytes
    • 使用 utf-8 代替ascii将 字符串编码
from lxml import etree
et_body = etree.Element("body")
et_body.text = u"\xf6"
print(etree.tostring(et_body,encoding="utf-8",pretty_print=True).decode("utf-8"))
  • 输出的时候再用 utf-8 解码
    • 为具体的字符串

图片描述

  • 进行输出
  • Comment怎么玩呢？

Comment

from lxml import etree
et_html = etree.Element("html")
etree.SubElement(et_html, "head")
etree.SubElement(et_html[0], "title").text = "oeasy"
etree.SubElement(et_html, "body").text = "o2z"
et_html[1].append(etree.Comment("i am comment"))
print(etree.tostring(et_html,pretty_print=True).decode())
  • 生成comment

图片描述

浏览

firefox 1.html
  • 浏览网页时
    • 右键检查源文件

图片描述

  • 可以看到源文件中的注释
    • 所谓注释Comment
    • 就是网页里面看不到
    • 但是源文件里面可以看到的
    • 对源文件的解释
    • 用<!-- 和 --> 包裹起来的
  • etree.Comment和etree.Entity很像
  • 可以控制输出时候的缩进吗？

控制缩进

图片描述

  • 根据文档

图片描述

  • 输出缩进

图片描述

  • 可以把缩进改为4空格吗？

调整缩进

图片描述

  • 可以调整吗？

图片描述

  • 确实是有效的
  • Entity 和 Comment 可以被遍历出来吗？

遍历实体和注释

图片描述

  • 结果

图片描述

  • 遍历的时候可以筛选Entity和Comment吗？

筛选

图片描述

  • iter()函数的参数
    • tag=etree.Entity - 筛选出 Entity 实体对象
    • tag=etree.Element - 筛选出 Element 元素对象
    • tag=etree.Comment - 筛选出 Comment 注释对象

图片描述

  • 现在可以在内存里生成操作这颗 etree 树了

总结

  • 已经在内存构建了一棵 etree 树了
    • 树是由节点 Element 构成的
    • 除了 etree.Element 节点之外，还有
对象名 对象类型
etree.Entity 实体
etree.Comment 注释
  • Element 元素最重要，他的成员有:
    • attrib 属性字典
    • text 具体文本
    • tail 后跟文本
    • tag 标签
    • iter() 迭代器函数
      • 可以用 for 遍历迭代器函数
      • 参数 tag=etee.Element 可以类型进行筛选
  • etee.indent()函数
    • 可以控制 etree.Element 输出的缩进
    • etree.indent(root, space="\t")
  • etree.tostring()函数
    • 可以输出网页文件
    • etree.tostring(et_html,pretty_look=True)
  • 能否 通过字符串
    • 比如 "<html><head><title>o</title>..."
    • 直接生成一棵etree树呢？ 🤔
  • 下次再说