提取HTML 内容
很多公司都提供网页查询的功能，但是不会对公众开发API，所以很多时候，都只能通过解析html来得到我们想要的数据。大部分情况下，只有部分的HTML是有用的。
这就需要将我们需要的部分，提取出来。比较地道的英文是HTML Scraping，直译过来是刮削，就是这个玩意：
所以很多XBMC插件的中文是某某刮削器。。。
HTML提取比较流行的工具有：
- lxml.html
- beautifulsoup
- re(Regular Expression)
lxml.html的样例有使用XPath，所以决定先通过lxml.html试试，能否到达想要的效果，也顺便复习一下XPatch。
使用lxml的html 包来提取HTML中的内容
直接上代码：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
>>> from lxml import html
>>> tree = html.parse('ems.html').getroot()
>>> delivery = tree.xpath('//table[@id="showTable"]/tr/td/text()')
>>> for i, data in enumerate(delivery):
>>> delivery[i] = data.strip()
>>> for data in delivery:
>>> print data
2015-11-10
06:40:00
收寄
荷兰
2015-11-11
08:03:00
离开处理中心,发往中国 北京
荷兰
>>> delivery = tree.xpath('//table[@id="showTable"]/tr')
>>> for tr in delivery:
>>> for td in tr.itertext():
>>> status += td.strip() + ' '
>>> status += '\n'
2015-11-10 06:40:00 收寄 荷兰
2015-11-11 08:03:00 离开处理中心,发往中国 北京 荷兰
2015-11-12 10:12:00 收寄 荷兰