lxml.etree.HTML()，lxml.etree.fromstring()和lxml.etree.tostring()三者的区别与联系

在学习xpath()的过程中，除了学习xpath的基本语法外，我们最先遇到的往往是文档的格式化问题！因为只有正确格式化之后的文档，才能准确利用xpath寻找其中的关键信息。

对于文档格式化的问题，可能不同的人，会遇到不一样的情况，但是基本上只要搞懂了lxml.etree.HTML()，lxml.etree.fromstring()和lxml.etree.tostring()这三者之间的区别和联系，那么文档格式化这一步一定不会有问题！

表格解读：
1.从三者的类型上可以看到，etree.HTML()和etree.fromstring()都是属于同一种“class类”，这个类型才会支持使用xpath。也就说etree.tostring()是“字节bytes类”，不能使用xpath！

2.从根节点看，etree.HTML()的文档格式已经变成html类型，所以根节点自然就是html标签【这属于html方面的知识点，不清楚的朋友可以查资料了解】
但是，etree.fromstring()的根节点还是原文档中的根节点，说明这种格式化方式并不改变原文档的整体结构，我比较推荐使用这种方式进行文档格式化，因为这样有利于我们有时使用xpath的绝对路径方式查找信息！
而etree.tostring()是没有所谓的根节点的，因为这个方法得到的文档类型是‘bytes’类，其实里面的tostring，我们可以理解成to_bytes，这样可以帮助理解记忆。

3.从编码方式上看，etree.HTML()和etree.fromstring()的括号内参数都要以“utf-8”的方式进行编码！表格中的X是表示用read()方法之后的原文档内容。

为了便于大家理解，我下面举个实例：

import lxml.etree as le
with open(‘books.xml’,’r’,encoding=‘utf-8’) as b:
    contents=b.read()
    contents_html=le.HTML(contents.encode(‘utf-8’))
    co_ht_xpath=contents_html.xpath(‘/*’)
    print(co_ht_xpath)

上面这段代码是典型的使用xpath()方法查找网页内容的步骤，表格中所写的X就是上面代码中的contents，这里的contents本质上是一个包含books.xml文档内所有内容的长字符串。

由于这个长字符串里，往往含有各种特殊符号或中文汉字等，所以必须对这个长字符串contents以‘utf-8’方式进行编码，那么才不会因无法识别而出现乱码的情况。如果这里没有用encode(‘utf-8’)进行编码，那么使用etree.HTML()和etree.fromstring()时，程序都会报错！

lxml.etree.HTML()，lxml.etree.fromstring()和lxml.etree.tostring()三者的区别与联系

相关推荐