将html解析为json
html2json的Python项目详细描述
使用json中定义的模板将html网页转换为json数据。
安装
这个包在pypi上提供。只需使用pip install -U html2json来安装它。然后可以使用from html2json import collect导入它。
API
方法是collect(html, template)。html是加载为字符串的页面的html，template是加载为python对象的模板的json。
注意，html必须包含根节点，如<html>...</html>或<div>...</div>。
模板语法
- 基本语法是
keyName: [selector, attr, [listOfRegexes]]。selector是一个css选择器（由lxml支持）。- 当选择器为
null时，根节点本身是匹配的。 - 当无法匹配选择器时，将返回
null。
- 当选择器为
attr与属性值匹配。当内部文本为空时，可以null匹配内部文本或外部文本。- 正则表达式列表
[listOfRegexes]支持两种形式的正则表达式操作。列表中的操作按顺序执行。- 替换：
s/regex/replacement/g。g对于多个替换是可选的。 - 提取：
/regex/。
- 替换：
例如：
{"Color":["head link:nth-of-type(1)","href",["/\\w+(?=\\.css)/"]],}
- 作为json，嵌套结构很容易构建。
{"Cover":{"URL":[".cover img","src",[]],"Number of Favorites":[".cover .favorites","value",[]]},}
- 可以使用另一种简化语法
keyName: [subRoot, subTemplate]。subRoot每个子条目的新根的css选择器。subTemplate是每个条目的递归子模板。
例如，前面的示例可以简化为以下内容。
{"Cover":[".cover",{"URL":["img","src",[]],"Number of Favorites":[".favorites","value",[]]}],}
- 要按照同一子模板提取子项列表，列表语法为
keyName: [[subRoot, subTemplate]]。请注意与前面语法的区别（围绕[和]）。subRoot是每个子条目的新根的css选择器。subTemplate是每个条目的递归子模板。
例如：
{"Comments":[[".comments",{"From":[".from",null,[]],"Content":[".content",null,[]],"Photos":[["img",{"URL":["","src",[]]}]]}]]}
欢迎加入QQ群-->： 979659372
