python中lxml使用方式

来源：互联网发布：刺客信条6枭雄优化编辑：程序博客网时间：2024/04/28 02:02

前言

前面已经学习了requests和beautifulsoup库的知识，大家可以看，，今天再来学习一下用一种网页解析的库lxml。

lxml是Python语言里和XML以及HTML工作的功能最丰富和最容易使用的库。lxml是为libxml2和libxslt库的一个Python化的绑定。它与众不同的地方是它兼顾了这些库的速度和功能完整性，以及纯Python API的简洁性，大部分与熟知的ElementTree API兼容但比之更优越。

lxml库的安装

pip install lxml

利用 pip 安装即可

lxml库的简单用法

首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

fromlxml importetree
text ='''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
'''
html =etree.HTML(text)
result =etree.tostring(html)
print(result)

首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。

<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</li></ul>
</div>
</body></html>

不仅补全了 li 标签，还添加了 body，html 标签。

文件读取

除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为

<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><spanclass="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>

利用 parse 方法来读取文件，同样可以得到相同的结果。

fromlxml importetree
html =etree.parse('hello.html')
result =etree.tostring(html,pretty_print=True)
print(result)

实例测试

以上一段程序为例。

（1）获取所有的 li 标签

fromlxml importetree
html =etree.parse('hello.html')
printtype(html)
result =html.xpath('//li')
printresult
printlen(result)
printtype(result)
printtype(result[0])
#运行结果
<type'lxml.etree._ElementTree'>
[<Element li at 0xc54f288>,<Element li at0xc56e888>,<Element li at 0xc541408>,<Element li at0xced7e88>,<Element li at 0xced7508>]
5
<type'list'>
<type'lxml.etree._Element'>

可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 li 元素，每个元素都是 Element 类型。

（2）获取 li 标签的所有 class

result =html.xpath('//li/@class')
printresult
#运行结果
['item-0','item-1','item-inactive','item-1','item-0']

（3）获取 li 标签下 href 为 link1.html 的 a 标签

result =html.xpath('//li/a[@href="link1.html"]')
printresult
#运行结果
[<Element a at 0xc522a88>]

（4）获取 li 标签下的所有 span 标签

因为 / 是用来获取子元素的，而 span 并不是 li 的子元素，所以，要用双斜杠。

result =html.xpath('//li//span')
printresult
#[<Element span at 0x10d698e18>]

（5）获取 li 标签下的所有 class，不包括 li

result =html.xpath('//li/a//@class')
printresult
#['bold']

（6）获取最后一个 li 的 a 的 href

result =html.xpath('//li[last()]/a/@href')
printresult
#['link5.html']

（7）获取倒数第二个元素的内容

result =html.xpath('//li[last()-1]/a')
printresult[0].text
# fourth item

（8）获取 class 为 bold 的标签名

result =html.xpath('//*[@class="bold"]')
printresult[0].tag
# span

小结

希望通过上面的内容能帮助大家深刻理解和学习Python爬虫。如果你有什么好的意见，建议，或者有不同的看法，我都希望你留言和我们进行交流、讨论。

转自 http://www.sohu.com/a/128890301_624356

阅读全文

'); })();