pythonhtml下載
❶ 關於python幫助文檔
在我的電腦上右鍵->屬性->高級->環境變數，在系統變數裡面添加PYTHONDOCS值為："C:\Python24\Python-Docs-2.5.2"確認Path裡面有"C:\Python24"，沒有則添加。
❷ html文件怎麼打開 python
用Python的requests庫解決這個問題比較簡單，常式如下：
import sys
import requests
reload(sys)
sys.setdefaultencoding('utf-8')
r=requests.get('xxx網址')
fh=open('test.html','w')
fh.write(r.text)
fh.close()
說明一下，requests庫不是Python內置的，不過很流行，很多發行版都帶，沒帶的話就去requests官網去下載，或者用 pip install requests命令安裝最新版。
❸ Python html 模塊簡介
比如：
比如，數學符號 ， ，可以直接獲得：
escape 將特殊字元 ＆ ， < 和 > 替換為HTML安全序列。如果可選的 flags quote 為 True （默認值），則還會翻譯引號字元，包括雙引號（ " ）和單引號（ ' ）字元。
將字元串 s 中的所有命名和數字字元引用 (例如 > , > , > ) 轉換為相應的 Unicode 字元。此函數使用 HTML 5 標准為有效和無效字元引用定義的規則，以及 HTML 5 命名字元引用列表 。
這個模塊定義了一個 HTMLParser 類，為 HTML（超文本標記語言）和 XHTML 文本文件解析提供基礎。
class html.parser.HTMLParser(*, convert_charrefs=True) 創建一個能解析無效標記的解析器實例。查找標簽（tags）和其他標記（markup）並調用 handler 函數。
用法：
通過調用 self.handle_starttag 處理開始標簽，或通過調用 self.handle_startendtag 處理結束標簽。標簽之間的數據通過以 data 為參數調用 self.handle_data 從解析器傳遞到派生類（數據可以分成任意塊）。如果 convert_charrefs 為 True ，則將字元引用自動轉換為相應的 Unicode 字元（並且 self.handle_data 不再拆分成塊），否則通過調用帶有字元串的 self.handle_entityref 或 self.handle_charref 來傳遞它們以分別包含命名或數字引用作為參數。如果 convert_charrefs 為 True (默認值)，則所有字元引用( script / style 元素中的除外)都會自動轉換為相應的 Unicode 字元。
一個 HTMLParser 類的實例用來接受 HTML 數據，並在標記開始、標記結束、文本、注釋和其他元素標記出現的時候調用對應的方法。要實現具體的行為，請使用 HTMLParser 的子類並重載其方法。
這個解析器不檢查結束標記是否與開始標記匹配，也不會因外層元素完畢而隱式關閉了的元素引發結束標記處理。
下面是簡單的 HTML 解析器的一個基本示例，使用 HTMLParser 類，當遇到開始標記、結束標記以及數據的時候將內容列印出來。
輸出：
HTMLParser.reset() 重置實例。丟失所有未處理的數據。在實例化階段被隱式調用。
HTMLParser.feed(data) 填充一些文本到解析器中。如果包含完整的元素，則被處理；如果數據不完整，將被緩沖直到更多的數據被填充，或者 close() 被調用。 data 必須為 str 類型。
HTMLParser.close() 如同後面跟著一個文件結束標記一樣，強制處理所有緩沖數據。這個方法能被派生類重新定義，用於在輸入的末尾定義附加處理，但是重定義的版本應當始終調用基類 HTMLParser 的 close() 方法。
HTMLParser.getpos() 返回當前行號和偏移值。
HTMLParser.get_starttag_text() 返回最近打開的開始標記中的文本。結構化處理時通常應該不需要這個，但在處理「已部署」的 HTML 或是在以最小改變來重新生成輸入時可能會有用處（例如可以保留屬性間的空格等）。
下列方法將在遇到數據或者標記元素的時候被調用。他們需要在子類中重載。基類的實現中沒有任何實際操作（除了 handle_startendtag() ）：
HTMLParser.handle_starttag 這個方法在標簽開始的時候被調用（例如： <div id="main"> ）。 tag 參數是小寫的標簽名。 attrs 參數是一個 (name, value) 形式的列表，包含了所有在標記的 <> 括弧中找到的屬性。 name 轉換為小寫， value 的引號被去除，字元和實體引用都會被替換。比如，對於標簽 <a href="https://www.cwi.nl/"> ，這個方法將以下列形式被調用 handle_starttag('a', [('href', 'https://www.cwi.nl/')]) 。 html.entities 中的所有實體引用，會被替換為屬性值。
HTMLParser.handle_endtag(tag) 此方法被用來處理元素的結束標記（例如： </div> ）。 tag 參數是小寫的標簽名。
HTMLParser.handle_startendtag(tag, attrs) 類似於 handle_starttag() , 只是在解析器遇到 XHTML 樣式的空標記時被調用（ <tag ... /> ）。這個方法能被需要這種特殊詞法信息的子類重載；默認實現僅簡單調用 handle_starttag() 和 handle_endtag() 。
HTMLParser.handle_data(data) 這個方法被用來處理任意數據（例如：文本節點和 <script>...</script> 以及 <style>...</style> 中的內容）。
HTMLParser.handle_entityref(name) 這個方法被用於處理 &name; 形式的命名字元引用（例如 > ），其中 name 是通用的實體引用（例如： 'gt' ）。如果 convert_charrefs 為 True，該方法永遠不會被調用。
HTMLParser.handle_charref(name) 這個方法被用來處理 &#NNN; 和 &#xNNN; 形式的十進制和十六進制字元引用。例如， > 等效的十進制形式為 > ，而十六進制形式為 > ；在這種情況下，方法將收到 '62' 或 'x3E' 。如果 convert_charrefs 為 True ，則該方法永遠不會被調用。
HTMLParser.handle_comment(data) 這個方法在遇到注釋的時候被調用（例如： ）。例如， 這個注釋會用 ' comment ' 作為參數調用此方法。
Internet Explorer 條件注釋（condcoms）的內容也被發送到這個方法，因此，對於 ``，這個方法將接收到 '[if IE 9]>IE9-specific content<![endif]' 。
HTMLParser.handle_decl(decl) 這個方法用來處理 HTML doctype 申明（例如 <!DOCTYPE html> ）。 decl 形參為 <!...> 標記中的所有內容（例如： 'DOCTYPE html' ）。
HTMLParser.handle_pi(data) 此方法在遇到處理指令的時候被調用。 data 形參將包含整個處理指令。例如，對於處理指令 <?proc color='red'> ，這個方法將以 handle_pi("proc color='red'") 形式被調用。它旨在被派生類重載；基類實現中無任何實際操作。
註解： HTMLParser 類使用 SGML 語法規則處理指令。使用 '?' 結尾的 XHTML 處理指令將導致 '?' 包含在 data 中。
HTMLParser.unknown_decl(data) 當解析器讀到無法識別的聲明時，此方法被調用。 data 形參為 <![...]> 標記中的所有內容。某些時候對派生類的重載很有用。基類實現中無任何實際操作。
因此，我們可以如此定義：
下面介紹如何解析 HTML 文檔。
解析一個文檔類型聲明：
解析一個具有一些屬性和標題的元素：
script 和 style 元素中的內容原樣返回，無需進一步解析：
解析注釋：
解析命名或數字形式的字元引用，並把他們轉換到正確的字元（注意：這 3 種轉義都是 '>' ）：
填充不完整的塊給 feed() 執行， handle_data() 可能會多次調用（除非 convert_charrefs 被設置為 True ）：
解析無效的 HTML (例如：未引用的屬性）也能正常運行：
❹ python3 如何下載某個網頁的html文件
import requests
url = 'http://m..com'
get_page = requests.get(url)
print(get_page.text)
❺ Python3.xx中寫爬蟲，下載圖片除了urlretrieve方法，還有什麼庫的什麼方法呢
Part 1. urllib2
urllib2是Python標准庫提供的與網路相關的庫，是寫爬蟲最常用的一個庫之一。
想要使用Python打開一個網址，最簡單的操作即是：
your_url = "http://publicdomainarchive.com/"html = urllib2.urlopen(your_url).read()12
這樣所獲得的就是對應網址(url)的html內容了。
但有的時候這么做還不夠，因為目前很多的網站都有反爬蟲機制，對於這么初級的代碼，是很容易分辨出來的。例如本文所要下載圖片的網站http://publicdomainarchive.com/，上述代碼會返回HTTPError: HTTP Error 403: Forbidden錯誤。
那麼，在這種情況下，下載網路圖片的爬蟲（雖然只有幾行代碼，但一個也可以叫做爬蟲了吧，笑），就需要進一步的偽裝。
要讓爬蟲偽裝成瀏覽器訪問指定的網站的話，就需要加入消息頭信息。所謂的消息頭信息就是在瀏覽器向網路伺服器發送請求時一並發送的請求頭(Request Headers)信息和伺服器返回的響應頭(Response Headers)信息。
例如，使用FireFox打開http://publicdomainarchive.com/時所發送的Request Headers的部分內容如下：
Host:"publicdomainarchive.com/"User-Agent:"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0"Accept:"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"...1234
還有一些其他屬性，但其中偽裝成瀏覽器最重要的部分已經列出來了，即User-Agent信息。
要使用Headers信息，就不能再僅僅向urlopen方法中傳入一個地址了，而是需要將HTTP Request的Headers封裝後傳入：
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0'}req = urllib2.Request(url = url, headers = headers)content = urllib2.urlopen(req).read()123
這樣，就獲得了網站的html內容。
接下來，就需要從html去獲取圖片的鏈接。
Part 2. HTMLParser
HTMLParser是Python提供的HTML解析庫之一。
但Python提供的這個類中很多方法都沒有實現，因而基本上這個庫只負責進行解析，但解析完了什麼都不做。所以如果需要對HTML中的某些元素進行加工的話，就需要用戶自己去實現其中的一些方法。本文僅實現其中的handle_starttag方法：
class MyHTMLParser(HTMLParser): #繼承HTMLParser類
def __init__(self): #初始化
HTMLParser.__init__(self) def handle_starttag(self, tag, attrs):
#參數tag即由HTMLParser解析出的開始標簽，attrs為該標簽的屬性
if tag == "img": #下載圖片所需要的img標簽
if len(attrs) == 0: pass
else: for (variable, value) in attrs: #在attrs中找到src屬性，並確定其是我們所要下載的圖片，最後將圖片下載下來（這個方法當然也有其他的寫法）
if variable == "src" and value[0:4] == 'http' and value.find('x') >= 0:
pic_name = value.split('/')[-1] print pic_name
down_image(value, pic_name)123456789101112131415
Part 3. 下載圖片
從handle_starttag方法中，我們已經獲得了圖片的url，那麼，最後一步，我們要下載圖片了。
當然，要獲得網路上的圖片，自然也需要向伺服器發送請求，一樣需要用到urllib2這個庫，也需要用到上面所用到的請求頭。
以下是down_image()方法的主要代碼：
binary_data = urllib2.urlopen(req).read()
temp_file = open(file_name, 'wb')
temp_file.write(binary_data)
temp_file.close()1234
因為這次打開的網址是個圖片，所以urllib2.urlopen(req).read()所獲取的就是圖片的數據，將這些數據需要以二進制的方式寫入本地的圖片文件，即將圖片下載下來了。
因為圖片的url的最後一部分是圖片的名字，所以可以直接用做本地的文件名，不用擔心命名沖突，也不用擔心後綴不符，很是方便。
Part 4. getFreeImages.py
這個下載圖片的腳本的完整代碼如下：
import urllib2,osfrom HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self) #self.links = {}
def handle_starttag(self, tag, attrs):
#print "Encountered the beginning of a %s tag" % tag
if tag == "img": if len(attrs) == 0: pass
else: for (variable, value) in attrs: if variable == "src" and value[0:4] == 'http' and value.find('x') >= 0:
pic_name = value.split('/')[-1] print pic_name
down_image(value, pic_name)def down_image(url,file_name):
global headers
req = urllib2.Request(url = url, headers = headers)
binary_data = urllib2.urlopen(req).read()
temp_file = open(file_name, 'wb')
temp_file.write(binary_data)
temp_file.close()if __name__ == "__main__":
img_dir = "D:\\Downloads\\domain images"
if not os.path.isdir(img_dir):
os.mkdir(img_dir)
os.chdir(img_dir) print os.getcwd()
url = ""
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0'}
all_links = []
hp = MyHTMLParser() for i in range(1,30):
url = 'http://publicdomainarchive.com/public-domain-images/page/' + str(i) + '/'
req = urllib2.Request(url = url, headers = headers)
content = urllib2.urlopen(req).read()
hp.feed(content)
hp.close()041424344454647484950
❻ python怎麼安裝lxml html 解析器
lxml是Python中與XML及HTML相關功能中最豐富和最容易使用的庫。lxml並不是Python自帶的包，而是為libxml2和libxslt庫的一個Python化的綁定。它與眾不同的地方是它兼顧了這些庫的速度和功能完整性，以及純Python API的簡潔性，與大家熟知的ElementTree API兼容但比之更優越！但安裝lxml卻又有點麻煩，因為存在依賴，直接安裝的話用easy_install, pip都不能成功，會報gcc錯誤。下面列出來Windows、Linux下面的安裝方法:
【Windows系統】
先確保Python已經安裝好，環境變數也配置好了，相應的的easy_install、pip也安裝好了.
1. 執行 pip install virtualenv
[python] view plain print?
C:\>pip install virtualenv
Requirement already satisfied (use --upgrade to upgrade): virtualenv in c:\python27\lib\site-package
s\virtualenv-12.0.4-py2.7.egg
2. 從官方網站下載與系統，Python版本匹配的lxml文件：
http //pypi.python.org/pypi/lxml/2.3/
NOTE:
比如說我的電腦是Python 2.7.4, 64位操作系統，那麼我就可以下載
[python] view plain print?
lxml-2.3-py2.7-win-amd64.egg (md5) # Python Egg
或
lxml-2.3.win-amd64-py2.7.exe (md5) # MS Windows installer
3. 執行 easy_install lxml-2.3-py2.7-win-amd64.egg
[python] view plain print?
D:\Downloads>easy_install lxml-2.3-py2.7-win-amd64.egg # 進入該文件所在目錄執行該命令
Processing lxml-2.3-py2.7-win-amd64.egg
creating c:\python27\lib\site-packages\lxml-2.3-py2.7-win-amd64.egg
Extracting lxml-2.3-py2.7-win-amd64.egg to c:\python27\lib\site-packages
Adding lxml 2.3 to easy-install.pth file
Installed c:\python27\lib\site-packages\lxml-2.3-py2.7-win-amd64.egg
Processing dependencies for lxml==2.3
Finished processing dependencies for lxml==2.3
NOTE:
1. 可用exe可執行文件，方法更簡單直接安裝就可以
2. 可用easy_install安裝方式，也可以用pip的方式
[python] view plain print?
#再執行下，就安裝成功了！
>>> import lxml
>>>
3. 如用pip安裝，常用命令就是:
pip install simplejson # 安裝Python包
pip install --upgrade simplejson # 升級Python包
pip uninstall simplejson # 卸載Python包
4. 如用Eclipse+Pydev的開發方式，需要移除舊包，重新載入一次
Window --> Preferences --> PyDev --> Interperter-python # 否則導包的時候會報錯
【Linux系統】
因為lxml依賴的包如下:
libxml2, libxml2-devel, libxlst, libxlst-devel, python-libxml2, python-libxslt
所以安裝步驟如下:
第一步: 安裝 libxml2
$ sudo apt-get install libxml2 libxml2-dev
第二步: 安裝 libxslt
$ sudo apt-get install libxlst libxslt-dev
第三步: 安裝 python-libxml2 和 python-libxslt
$ sudo apt-get install python-libxml2 python-libxslt
第四步: 安裝 lxml
$ sudo easy_install lxml
❼ python 怎麼提取html內容啊（正則）
python提取html內容的方法。如下參考：
1.首先，打開Python來定義字元串，在定義的字元串後面加上中括弧，然後在要提取的字元位置輸入。
❽ python2.7下載網頁html，很簡單！急！！
importurllib.request
foriinrange(100,1000):
url="
(i)+'.html'
filename=str(i)+'.html'
print(url,filename)
urllib.request.urlretrieve(url,filename)
發完看見是Python 2.7，下面是2.7的寫法
importurllib
foriinrange(100,1000):
url="http://www..com/"+str(i)+'.html'
filename=str(i)+'.html'
print(url,filename)
urllib.urlretrieve(url,filename)
❾ python html 解析工具是什麼意思
在准備我的 PyCon上關於HTML的演講 的時候我覺得我應該對現有的一些解析器和文檔模型做個性能對比。
實際上，情況有點復雜，因為處理HTML需要幾個步驟：
解析這個 HTML
把它解析為一個對象(比如一個文檔對象)
把它序列化
有些解析器只處理第一步，有些只處理第二步，有些能處理所有的三個步驟…。例如，ElementSoup 使用 ElementTree 來表示文檔，卻使用 BeautifulSoup 作為實際的解析器。而 BeautifulSoup 內部也擁有一個文檔對象。 HTMLParser 僅僅做解析（不解析出任何對象），然而 html5lib 卻能夠生成幾種不同的文檔樹（DOM樹）。序列化也分為XML和HTML兩種方式。
所以我選取了下面這些解析器的庫做基準性能測試：
lxml:包含一個解析器，能夠產生文檔對象，支持HTML序列化。它也可以不適用內置的解析器而使用 BeautifulSoup 或者 html5lib 進行解析。
BeautifulSoup:nbsp;包含一個解析器，能夠產生文檔對象，支持HTML序列化。
html5lib:有解析器。它也有一個序列化器，但是我沒有使用它。它也有一個內置的文檔對象（即simpletree），只是…除了自我測試我也不知道這東西還能做什麼。
ElementTree:這個包里有一個XML序列化器，ElementTree能夠產生文檔對象，它也是python內置的XML解析模塊。（我覺得下個版本會帶一個HTML序列化器，不過我也沒測試這個XML序列化器）。它也有一個解析器，測試的時候我用html5lib當做解析器來測試ElementTree的。
cElementTree:這是一個使用C語言擴展實現的python模塊，實現了ElementTree。
HTMLParser:包含一個解析器。但是其實它不能解析出文檔對象，很多正常網頁都不能正常處理（包含Table或者Script），有語法錯誤的網頁就更處理不了了。它只是使用解析器遍歷文檔。
htmlfill:它使用了HTMLParser作為解析器，相對HTMLParser，它在解析過程中對Element做了更多處理。
Genshi[1]:包含一個解析器，能夠產生文檔對象，支持HTML序列化。
xml.dom.minidom:python標准庫里的內置文檔模型，html5lib 能夠解析出這種文檔對象。（我並不推薦使用minidom — 這篇文章里寫了一些理由，還有很多理由我沒寫出來）
我預想 lxml 的性能會比較好，因為它基於 libxml2這個C庫。但是實際上它的性能比我預計的還要好，超過其它所有的同類庫。所以，除非考慮到一些難以解決的安裝問題（尤其是在Mac上），我都推薦你用lxml 來進行HTML解析的工作。
我的測試代碼在這里，你可以自己下載下來運行測試程序。裡麵包含了所有的樣例數據，用來生成圖表的命令在這里。這些測試數據來自於從 python.org 隨機選取的一些頁面（總共355個）。
解析
lxml:0.6; BeautifulSoup:10.6; html5lib ElementTree:30.2; html5lib minidom:35.2; Genshi:7.3; HTMLParser:2.9; htmlfill:4.5
第一個測試運行這些解析器解析文檔。需要注意的是：lxml 比 HTMLParser快6倍，盡管 HTMLParser
不生成任何文檔對象（lxml在內存中建立了一個文檔樹)。這里也沒有包含 html5lib 所能生成的全部種類的樹，因為每一種花費的時間都差不多。之所以包含了使用 xml.dom.minidom 作為輸出結果的 html5lib 測試結果是為了說明 minidom 有多慢。Genshi確實很快，只是它也是最不穩定的，相比之下，html5lib , lxml 以及 BeautifulSoup 都要健壯的多。html5lib 的好處是，總是能夠正確的解析HTML（至少在理論上如此）。
lxml在解析過程中會釋放 GIL ，但是我覺得應該影響不大。
序列化
lxml:0.3; BeautifulSoup:2.0; html5lib ElementTree:1.9; html5lib minidom:3.8; Genshi:4.4
所有這些庫執行序列化都很快，可是 lxml 又一次遙遙領先。ElementTree 和 minidom 只做XML序列化，但是沒有理由說HTML序列化更快。還有就是，Genshi居然比minidom要慢，實話說任何比minidom要慢的東西都挺讓人震驚的。
內存佔用
lxml:26; BeautifulSoup:82; BeautifulSoup lxml:104; html5lib cElementTree:54; html5lib ElementTree:64; html5lib simpletree:98; html5lib minidom:192; Genshi:64; htmlfill:5.5; HTMLParser:4.4
最後一項測試是內存。我並不是特別確信我做這個測試的方法很科學，但是數據總能說明一些問題。這項測試會解析所有的文檔並把解析出來的DOM樹保存在內存中，利用 ps 命令結果的RSS（resident set size）段來表示進程佔用的內存。計算基準內存佔用之後所有的庫已經被import，所以只有解析HTML和生成文檔對象會導致內存使用量上升。
我才用 HTMLParser 作為基準線，因為它把文檔保存在內存中，只產生一些中間字元串。這些中間字元串最終也不回佔用多少內存，因為內存佔用基本上等同於這些html問價大小之和。
測量過程中有個棘手的問題就是python的內存分配器並不會釋放它請求的內存，所以，如果一個解析器創建了很多中間對象（字元串等等）然後又釋放了它們，進程仍然會持有這些內存。為了檢測是否有這種情況，我試著分配一些新的字元串知道進程佔用的內存增長（檢測已經分配但是沒有被使用的內存），但是實際上沒檢測到什麼，只有 BeautifulSoup 解析器，在序列化到一個 lxml 樹的時候，顯示出使用了額外的內存。
只有在內存測試中，html5lib 使用 cElementTree 來表示文檔對象同使用 ElementTree 能表現出明顯的不同。我倒不是很驚訝，我猜因為我沒有找到一個C語言編寫的序列化工具，我猜使用 cElementTree 構建文檔樹的話，只有在用本地代碼調用它的時候比較快（就像本地的libxml，並且不需要把數據結構傳遞到python中）。
lxml比較節省內存很可能是因為它使用了本地的libxml2的數據結構，並且只有在需要的時候才創建Python對象。
總結
在進行基準測試之前我就知道lxml會比較快，但是我自己也沒料到會這么快。
所以呢，總結一下：lxml太牛逼了[2]。你可以用很多種方式使用它，你可以對一個HTML進行解析，序列化，解析，再序列化，在機器卡機之前你能重復這些操作很多次。很多操作都是通過本地介面實現的，python只做了一層很淺的封裝。例如，如果你做一次XPath查詢，查詢字元串會被編譯為本地代碼，然後遍歷本地的libxml2對象，只在返回查詢結果的時候才會產生一個python對象。 另外，測試中lxml內存佔用比較小使我更有理由相信lxml在高負載的情況下仍然會很可靠。
我覺得，文檔樹相對按字元流解析（不生成樹，只掃描一次文檔並針對特定的標簽做處理）更有優勢。表面看起來按字元流解析更好：你不把整個文檔放在內存里，處理的時間之和文檔大小線性相關。HTMLParser就是這樣一種解析器，遇到各種符號（標簽開始和關閉，變遷中間的文字等等）。Genshi 也是用的這個模型，因為使用了一些更高級的特性（比如 filters
）所以使用起來更自然一些。其實字元流模型本身就不是一種特別自然的處理XML文檔的方式，從某種程度上說，它只是用來處理一些本來就可以當做字元串處理的文檔的一種笨拙的方法（regex可以實現同樣的功能）。只有你需要處理上G的XML文件的時候按字元流解析才有意義（不過lxml和ElementTree針對這種情況都有額外的參數支持）。HTML文件不會有這么大，這些測試也有理由讓我們相信lxml可以很好的處理大的HTML文件，所以一個大文檔也不會導致一個為小文檔優化過的系統崩潰。
Ian Bicking on Sunday, March30th, 2008
[1]. Genshi是EdgewallSoftware的產品，它的其他產品還包括大名鼎鼎的Trac。
[2]. 本文的作者Ian Bicking是lxml.html(lxml的一個模塊)的開發者和維護者（這里修正一下）。
P.S. 譯者記：這里還有一個解析器沒有提到就是python標准庫里的SGMLParser，它也可以產生ElementTree，但是性能很差，本機測試解析600k的html文檔（ddd的單頁html文檔）需要480秒，不推薦應用在性能要求比較高的場合。本文作者也是lxml的作者，對自己的作品大力推薦也是正常的，我實測過lxml性能確實很好。
❿ python爬蟲 將在線html網頁中的圖片鏈接替換成本地鏈接並將html文件下載到本地
正則匹配原鏈接替換為本地路徑即可