Skip to content

0529.md

Latest commit

 

History

History
495 lines (335 loc) · 9.3 KB

0529.md

File metadata and controls

495 lines (335 loc) · 9.3 KB
Error in user YAML: (<unknown>): found a tab character that violate indentation while scanning a plain scalar at line 3 column 3
---
- oeasy Python 0529
- 这是 oeasy 系统化 Python 教程，从基础一步步讲，扎实、完整、不跳步。愿意花时间学，就能真正学会。
- 本教程同步发布在： 
	- 个人网站： `https://oeasy.org` 
	- 蓝桥云课： `https://www.lanqiao.cn/courses/3584` 
	- GitHub： `https://github.com/overmind1980/oeasy-python-tutorial` 
	- Gitee： `https://gitee.com/overmind1980/oeasypython` 
---

语法 html 遍历

回忆

  • 上次 了解了 etree.tostring() 函数参数
    • method = "text"
      • 可以控制输出结果只包含 text 和 tail
    • pretty_print = True
      • 可以控制输出结果包含缩进信息
    • with_tail = False
      • 可以控制输出结果不包含 tail
属性 英文
tag 标签
text 文本
tail 尾巴
attrib 属性
  • etree上 除了etree.Element
    • 还有 啥 呢？

实体和注释

  • 继续查文档
  • 除了 etree.Element 之外
    • 增加了两类对象
      1. etree.Entity("#234") 实体
      2. etree.Comment("some comment") 注释

图片描述

  • 先看看实体 Entity

添加实体

vi t.py
  • 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

  • 用火狐打开1.html
:!firefox 1.html &
  • 出现了ê
    • 复制 这个字符

图片描述

  • 这个ê是什么呢？

观察字符

  • 进入游乐场观察
!python
  • ê的序号是234

图片描述

  • 查看源文件
    • 找不到 ê
    • 只能看到 &#234;

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

vi 1.html
  • 编辑 网页文件
    • 把 ê 粘贴进入文档

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

图片描述

  • 为什么 不直接写在网页里
    • 而要使用 &#234; 这种写法呢？

输入符号

  • 有些符号
    • 键盘上 没有 这个键

图片描述

  • 使用 &#234; 方式
    • 234 对应着 符号的 unicode编码
  • 换个 序号 试试？🤔

汉字

0x4e00
chr(19968)
  • 得到序号

图片描述

  • 写到网页中

图片描述

成功

  • 确实 输出了
    • 序号对应的 汉字
    • 一

图片描述

  • 源文件中 依然使用Entity形式

图片描述

  • 可以 输出emoji 吗？

emoji

chr(0x1f600)
0x1f600
  • 得到序号

图片描述

  • 生成实体

图片描述

结果

图片描述

  • 源代码中 依然使用的 是Entity

图片描述

  • 可以使用unicode字符串输出吗？

编码问题

  • 例子代码

图片描述

  • 我们简化这个代码
from lxml import etree
et_body = etree.Element("body")
et_body.text = u"\xf6"
print(etree.tostring(et_body,pretty_print=True).decode())

效果

  • 代码 没问题
    • 可以输出重定向 到 网页

图片描述

  • 网页 没有问题！

图片描述

  • 问题 在tostring
    • method = "text"
    • 生成文本 的 时候

转化为纯文本

图片描述

  • 想要 以文本方式 输出
print(etree.tostring(et_body,method="text").decode())

报错了

图片描述

  • 就像 将字节b"\xf6" 直接解码
b"\xf6".decode("ascii")
  • 解码失败

图片描述

  • 为何失败？

字符集与编码格式

b = b"\xf6"
b
chr(0xf6)
  • chr可以
    • 得到 序号
    • 得到 unicode 编码

图片描述

unicode 和 utf-8

  • unicode 是 字符集
    • 只提供字符对应序号
    • 但无法用于 存储传输
"ö".encode("unicode-escape")
"ö".encode("utf-8")
  • 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 的 序号
    • unicode编码
  • 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

实践观察

  • 观察 1.html的 字节形态

图片描述

  • 可以看到 字符ö
    • 存了两个字节
    • b"\xc3\xb6"

图片描述

  • 默认的ascii解码
    • 解不出来b"\xf6"怎么办呢？

如何解码？

  • 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
b"\xc3\xb6".decode("ascii")
b"\xc3\xb6".decode("utf-8")
  • 解码方式
    • 选 ascii 报错
    • 选 utf-8 成功

图片描述

  • 必须用utf-8解码

观察tostring的细节

图片描述

  • 先把默认编码设置为utf-8

修改代码

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())
  • 设置 编码格式utf-8

图片描述

  • 执行结果

图片描述

完整过程

  • 先把字符 编码为utf-8存储进入 etree
    • 再使用 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
    • 进行输出

图片描述

  • 遍历的时候 可以 筛出Entity 吗？

筛选

  • iter()函数中
    • 用参数 tag=etree.Element
    • 可以进行筛选

图片描述

  • 现在可以 筛出 实体Entity了

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

  • 再看看 注释(Comment) 咋回事

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 &
  • 所谓注释Comment
    • 就是网页里面看不到

图片描述

  • 怎样看到注释呢？

view source

  • 浏览网页时
    • 右键检查源文件
    • 可以看到源文件中的注释
    • 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

图片描述

  • etree.Comment 和etree.Entity 很像
    1. Entity 元素本身只包含 - text 成员
    2. Comment 元素包含 - 具体的注释文本 - 头尾的注释标记
  • Comment 也可以 被 筛出来 吗？

遍历实体和注释

  • 追加 遍历代码
for element in et_html.iter():
	print(element.tag, element.text, sep=":")
  • 结果

图片描述

  • 真的看到了
    • 实体 Entity
    • 注释 Comment

总结

  • 在 内存构建 一棵 etree树 后

    • etree.tostring()函数
      • 可以输出网页文件
      • etree.tostring(et_html,pretty_print=True)
    • etree.indent()函数
      • 可以控制 etree.Element 输出的缩进
      • etree.indent(root, space="\t")

  • etree 里面 有3种 对象节点

对象名 对象类型
etree.Element 元素
etree.Entity 实体
etree.Comment 注释

  • 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

  • 筛出的节点 有4种属性

属性 英文
tag 标签
text 文本
tail 尾巴
attrib 属性
  • 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
  • 本文来自 oeasy Python 系统教程。
  • 想完整、扎实学 Python，
  • 搜索 oeasy 即可。