XML 和 HTML、lxml

XML 和 HTML 的区别

数据格式描述 设计目标

XML Extensible Markup Language （可扩展标记语言）被设计为传输和存储数据，其焦点是数据的内容。

HTMLHyperText Markup Language （超文本标记语言） 显示数据以及如何更好显示数据。

HTML DOMDocument Object Model for HTML (文档对象模型) 通过 HTML DOM，可以访问所有的 HTML 元素，连同它们所包含的文本和属性。可以对其中的内容进行修改和删除，同时也可以创建新的元素。

from lxml import etree

html = etree.HTML(html) ----> 使用xpath

顶级 read_html() 函数可以接受 HTML 字符串、文件或URL，并将 HTML 表解析为 pandas DataFrames 列表。

注意 ：即使 HTML 内容中仅包含一个表， read_html 也会返回 DataFrame 对象的列表

让我们看几个例子

读入 banklist.html 文件的内容，并将其作为字符串传递给 read_html

如果愿意，您甚至可以传入 StringIO 的实例

读取 URL 并匹配包含特定文本的表

指定一个标题行(默认情况下 <th> 或 <td> 位于 <thead> 中的元素用于形成列索引，如果 <thead> 中包含多个行，那么创建一个多索引)

指定索引列

指定要跳过的行数：

使用列表指定要跳过的行数（ range 函数也适用）

指定一个 HTML 属性

指定应转换为 NaN 的值

指定是否保持默认的 NaN 值集

可以为列指定转换器。这对于具有前导零的数字文本数据很有用。

默认情况下，将数字列转换为数字类型，并且前导零会丢失。为了避免这种情况，我们可以将这些列转换为字符串

组合上面的选项

读取 to_html 的输出（会损失浮点数的精度）

当只提供了一个解析器时，如果解析失败， lxml 解析器会抛出异常，最好的方式是指定一个解析器列表

但是，如果安装了 bs4 和 html5lib 并传入 None 或 ['lxml'，'bs4'] ，则解析很可能会成功。

DataFrame 对象有一个实例方法 to_html ，它将 DataFrame 的内容呈现为 html 表格。

函数参数与上面描述的方法 to_string 相同。

columns 参数将限制显示的列

float_format 参数控制浮点值的精度

bold_rows 默认情况下将使行标签加粗，但你可以关闭它

classes 参数提供了给 HTML 表 设置 CSS 类的能力。

请注意，这些类附加到现有的 dataframe 类之后

render_links 参数提供了向包含 url 的单元格添加超链接的能力

最后， escape 参数允许您控制 HTML 结果中是否转义了 "<" 、 ">" 和 "&" 字符（默认情况下为 True ）。

因此，要获得没有转义字符的 HTML ，请传递 escape=False

转义

不转义

在某些浏览器上这两个 HTML 表可能并不会显示出差异。

在顶级 pandas io 函数 read_html 中，用于解析 HTML 表的库存在一些问题

---