lxml是Python中处理HTML/XML的高效工具，推荐用pip install lxml安装，支持XPath和CSS选择器，html.etree适合不规范HTML，etree适合严格XML，注意编码、命名空间等细节。

直接用 pip 安装 lxml，然后用 etree 模块解析 HTML 或 XML，它速度快、功能全，是 Python 里处理结构化文本的主力工具。

安装 lxml（推荐 pip）

在命令行运行：

• Windows / macOS / Linux 都适用：pip install lxml
• 如果报错缺少编译环境（比如 Ubuntu 提示 libxml2-dev 或 libxslt-dev），先装系统依赖：
  sudo apt-get install libxml2-dev libxslt-dev python3-dev（Ubuntu/Debian）
  macOS 可用 brew install libxml2 libxslt
• 国内用户若下载慢，可加清华源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ lxml

用 etree 解析 HTML（常用场景）

lxml 的 html.etree 更适合处理不规范的网页 HTML（比如缺闭合标签、大小写混用）。

• 基础用法：从字符串或文件加载 HTML

from lxml import html
从字符串解析
html_str = "
Hello
"
tree = html.fromstring(html_str)
从文件解析
tree = html.parse("page.html")
用 XPath 提取内容
title = tree.xpath("//p[@class='title']/text()")  # ['Hello']
print(title)

• 注意：html.fromstring() 返回 Element 对象；html.parse() 返回 Document 对象，需调 .getroot() 才能用 XPath

用 etree 解析 XML（严格格式）

XML 要求格式规范，推荐用 etree（不是 html.etree）。

• 基础解析示例：

from lxml import etree
xml_str = "AB"
root = etree.fromstring(xml_str)
获取所有 item 元素
items = root.xpath("//item")
for item in items:
print(item.text, item.get("id"))  # A 1 \n B 2
或用 find/findall（更面向对象）
first_item = root.find("item")
print(first_item.get("id"))  # '1'

• etree.fromstring() 解析字符串；etree.parse("file.xml") 解析文件
• 支持 XPath 1.0 全部语法，也支持 CSS 选择器（需配合 cssselect 模块，但 lxml 自带 cssselect）

常见问题和技巧

• 中文乱码？ 确保源数据指定编码（如 HTML 中有 ），或手动声明：html.fromstring(html_str.encode("utf-8"))
• HTML 标签自动补全？ lxml 默认会修复破损 HTML（比如加 ），如不需要，可用 parser = html.HTMLParser(recover=False)
• 提取后保留标签？ 用 etree.tostring(element, encoding="unicode", method="html")
• 命名空间 XML？ 解析时传入 namespaces 字典，XPath 中用前缀引用，例如 root.xpath("//x:title", namespaces={"x": "http://example.com/ns"})