在Python中，說到html解析，很多人都會推薦使用BeautifulSoup。BeautifulSoup確實是一款功能強大，使用比較簡單的html解析器。但是這里要講的SimplifiedDoc一樣是使用簡單功能強大且專為html抽取而生的。這里說的抽取和解析的意思有點不同，解析是把字符串html 解析成對象，抽取是將html中的有用數據取出來。也就是說SimplifiedDoc重點不在解析，而是抽取出用戶想要的數據。通過下面的例子，大家也許會能明白這一點。
首先是安裝pip install simplified-scrapy,這個庫同時支持Python2和Python3。
安裝后，可以體驗一下：
from simplified_scrapy.simplified_doc import SimplifiedDoc doc = SimplifiedDoc('<p class="test">Hello</p>') print(doc.getElementByTag('p')) 將html標簽生成為字典返回，運行結果如下
{'class': 'test', 'tag': 'p', 'html': 'Hello'} 上面是一個簡單的開胃小菜，其它的菜咱們慢慢來。
html = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse" other="test"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> </body> """ doc = SimplifiedDoc(html) print (doc.title) print (doc.title.text) print (doc.head) print (doc.head.title) 用法和BeautifulSoup有點像，但結果不同，這里返回的是字典
{'tag': 'title', 'html': "The Dormouse's story"} The Dormouse's story {'tag': 'head', 'html': "<title>The Dormouse's story</title>"} {'tag': 'title', 'html': "The Dormouse's story"} 如果想抽取里面的所有鏈接數據，如下：
doc = SimplifiedDoc(html) print (doc.getElementsByTag('a')) 因為是專為抽取而生，鏈接數據必須要特殊照顧，還可以用下面的方式取到。如果這時傳入當前頁面的鏈接地址，返回的數據會自動把相對路徑轉為全路徑。
doc = SimplifiedDoc(html) print (doc.listA()) 一個標簽可能有多個屬性，比如id，class等，還有內部等html標簽。其實這些數據都在返回的對象里了。
doc = SimplifiedDoc(html) print (doc.p) 運行結果如下
{'class': 'title', 'name': 'dromouse', 'tag': 'p', 'html': "<b>The Dormouse's story</b>"} 如果想要獲取到去掉html標簽的文本數據，可以直接調用text屬性，雖然返回的字典中沒有這個屬性。
doc = SimplifiedDoc(html) print (doc.p.text) 運行結果如下
The Dormouse's story
對嵌套數據的處理，例子如下
from simplified_scrapy.simplified_doc import SimplifiedDoc html = """ <body> <article> <div>this is noise</div> <h1>this is title</h1> <div>this is content</div> </article> </body> """ doc = SimplifiedDoc(html) print (doc.body.article.h1) print (doc.h1) 上面的兩行輸出的結果是一樣，在使用中，我們盡量選擇短的路徑，提高解析速度。article中有兩個div，如果我們想要第二個div，該怎么做呢。這兩個div標簽中都沒有屬性數據，如果有屬性數據，我們可以根據屬性來區分。這里我們可以根據序號來獲取，如下：
doc = SimplifiedDoc(html) print (doc.article.getElementsByTag('div')[1]) 如果干擾的div數量不確定時，這種辦法就不可用了。上面說了，SimplifiedDoc是為抽取而生的，與BeautifulSoup的區分就在這里了。我們可以設定起止位置進行抽取。這里我們要抽取的數據在h1標簽之后，就可以用下面的方式去取。
doc = SimplifiedDoc(html) print (doc.article.getElementByTag('div',start='<h1>')) SimplifiedDoc中的每個抽取方法，都包含三個參數(start,end,before)，在適當的時候可以處理其它工具不容易抽取的數據。
如果h1標簽上面只有一個干擾div，我們想獲取article標簽內的所有數據，我們還可以使用removeElement方法：
doc = SimplifiedDoc(html) print (doc.article.removeElement('div')) 運行結果如下：
{'tag': 'article', 'html': '<h1>this is title</h1><div>this is content</div>'} 對於SimplifiedDoc，還有其它的技巧需要自己去探索了。