### 如何用 Python 创建或解析 HTML 文档 #### 使用 `lxml` 库解析 HTML 可以使用 `lxml` 库来解析 HTML 并提取所需数据。以下是具体实现方式： ```python from lxml import html import requests response = requests.get("https://www.example.com") html_content = response.text tree = html.fromstring(html_content) elements = tree.cssselect(".class-name") # 使用 CSS 选择器查找元素 for element in elements: print(element.text) # 输出找到的文本内容[^1] ``` #### 使用 BeautifulSoup 打开并解析本地 HTML 文件 如果需要解析本地存储的 HTML 文件，则可以通过 `BeautifulSoup` 来完成此操作： ```python from bs4 import BeautifulSoup soup = BeautifulSoup(open('example.html', encoding='utf-8'), features='html.parser') print(soup.prettify()) # 格式化输出整个 HTML 结构[^2] ``` #### 基于 Cookie 的网络请求与 HTML 解析 当涉及登录状态或其他依赖会话信息的情况时，可以借助 `urllib` 或其他库加载保存好的 Cookie 进行请求，并进一步解析返回的数据： ```python import http.cookiejar import urllib.request cookie = http.cookiejar.LWPCookieJar() cookie.load('cookies.txt', ignore_discard=True, ignore_expires=True) handler = urllib.request.HTTPCookieProcessor(cookie) opener = urllib.request.build_opener(handler) response = opener.open('http://www.target-site.com') parsed_html = response.read().decode('utf-8') # 可选：继续使用 lxml 或 BeautifulSoup 处理 parsed_html ``` 上述代码展示了如何加载已有的 Cookie 文件以维持会话状态，并抓取目标网页的内容进行后续解析[^3]。 #### 正则表达式 vs. 更高级别的工具 尽管可以用正则表达式匹配简单的 HTML 片段，但对于复杂的嵌套结构或者动态生成的内容来说，这种方法容易出错且难以维护。因此推荐采用专门设计用于处理 HTML 的第三方库如 `lxml`, `BeautifulSoup` 等[^4]。 #### 提取特定标签内的文字 对于更细粒度的操作需求，比如仅需获取某个 `<h4>` 下的文字部分，可以直接访问其 `.text` 属性获得纯文本字符串表示形式： ```python li.contents[1].text # 如果 li 是一个 Tag 类型的对象，这句将得到子节点中的 h4 标签里的文本[^5] ```