Dom树的重建方法教程

这篇文章主要讲解了“Dom树的重建方法教程”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Dom树的重建方法教程”吧！

这种情况下，通用爬虫一般会分成几个不同的部分，如下图所示：

其中，HTML 源码改写这一个组件，会根据一定的策略对网页源代码进行修改，剔除无关的节点，合并复杂但没有必要的嵌套节点……改写以后，输出相对标准和统一的  HTML，传给下游的信息抽取组件进行内容抽取。

这位同学的问题，就涉及到对源代码进行改写。实际上，使用 lxml 在 DOM 树中插入一个节点，这本来根本不是什么问题。任何一个会使用 Google  的同学，只要搜索lxml html insert element，自然就能找到大量的解决方法，如下图所示：

但是，这个问题怪就怪在，它需要在文本节点的前面增加子节点。干讲可能不好描述，我用一个例子来说明这个问题。

大家先来看这段代码：

from lxml.html import fromstring, Element, etree from html import unescape html = ''' <div>     <p>你好</p> </div> '''  node = fromstring(html) p_node = node.find('.//p') element = Element('span') element.text = '青南' p_node.insert(0, element) new_html = unescape(etree.tostring(node).decode()) print(new_html)

根据我们使用 Python 列表的经验，如果一个列表a现在是['你好']，当我们执行a.insert(0, '青南')以后，得到的结果应该是['青南',  '你好']。但是我们来看看上面这段代码的运行效果：

可以看到，青南是在你好后面的。大家再看本文最开头的图，提问者举出的例子中，他希望把子节点插入到文本之前。具体到这个例子中，应该是青南你好。

大家可以试一试，你在 Google 上面无论怎么搜索，都找不到如何把节点插入到文本前面的方法。

但实际上，只要回归官方文档，你就会发现整个问题的解决方法并不困难。我们需要使用的，是lxml.html.builder[1]。

还是上面的例子，如何把 span 标签弄到文本前面呢?我们用 builder来实现：

from lxml.html import builder from html import unescape   html = ''' <div></div> '''  node = fromstring(html) new_node = builder.P(builder.SPAN('青南'), '你好') node.append(new_node) new_html = unescape(etree.tostring(node).decode()) print(new_html)

运行效果如下图所示：

看到这里，可能有同学会觉得我在耍无赖。这就像是让我写一个程序，计算斐波那契数列前5项的值，于是我5秒钟写出了答案print(1, 1, 2, 3, 5)。上面的代码中，我直接使用builder.P(builder.SPAN('青南'), '你好')，这跟直接写<p><span>青南</span>你好</p>有什么区别？这不是在作弊吗？

我知道你很不服气，但是，这就是真实的情况。通用爬虫在做 HTML源码改写的时候，就是这样做的。因为直接对网页的 Dom 树进行改写是非常麻烦的事情。如果直接修改 Dom 树，经常会出现需要找一个节点的父节点，然后再找父节点的兄弟节点的子节点进行修改。或者要判断某个节点是否有子节点，有和没有，需要两种逻辑来处理，才能防止破坏 Dom 树。

所以，我们一般不会直接修改 Dom 树，而是一边扫描原始的 Dom 树，一边使用 builder 重建一个新的 Dom 树。重建 Dom 树的过程比修改 Dom 树的过程要简单很多，毕竟写过代码的人都知道，写新代码比改别人的代码容易很多。

感谢各位的阅读，以上就是“Dom树的重建方法教程”的内容了，经过本文的学习后，相信大家对Dom树的重建方法教程这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！