Python lxml教程

来源：互联网发布：mac有些软件卸载不了编辑：程序博客网时间：2024/06/05 03:42

这两天因为要处理XML，研究了一下lxml库，做个总结。

我在处理XML时，最想了解的三个问题是：

问题1：有一个XML文件，如何解析
问题2：解析后，如果查找、定位某个标签
问题3：定位后如何操作标签，比如访问属性、文本内容等

本文就是按这三个问题组织的，文本中代码都在Python 3.5中运行通过。

开始之前，首先是导入模块，该库常用的XML处理功能都在lxml.etree中，可用下面的语句导入：

>>> from lxml import etree

Element类

这一节回答问题3。

Element是XML处理的核心类，Element对象可以直观的理解为XML的节点，大部分XML节点的处理都是围绕该类进行的。这部分包括三个内容：节点的操作、节点属性的操作、节点内文本的操作。

节点操作

1、创建Element对象

直接使用Element方法，参数即节点名称。

>>> root = etree.Element('root')>>> print(root)<Element root at 0x2da0708>

2、获取节点名称

使用tag属性，获取节点的名称。

>>> print(root.tag)root

3、输出XML内容

使用tostring方法输出XML内容（后文还会有补充介绍），参数为Element对象。

>>> print(etree.tostring(root))b'<root><child1/><child2/><child3/></root>'

4、添加子节点

使用SubElement方法创建子节点，第一个参数为父节点（Element对象），第二个参数为子节点名称。

>>> child1 = etree.SubElement(root, 'child1')>>> child2 = etree.SubElement(root, 'child2')>>> child3 = etree.SubElement(root, 'child3')

5、删除子节点

使用remove方法删除指定节点，参数为Element对象。clear方法清空所有节点。

>>> root.remove(child1)  # 删除指定子节点>>> print(etree.tostring(root))b'<root><child2/><child3/></root>'>>> root.clear()  # 清除所有子节点>>> print(etree.tostring(root))b'<root/>'

6、以列表的方式操作子节点

可以将Element对象的子节点视为列表进行各种操作：

>>> child = root[0]  # 下标访问>>> print(child.tag)child1>>> print(len(root))  # 子节点数量3>>> root.index(child2)  # 获取索引号1>>> for child in root:  # 遍历...     print(child.tag)child1child2child3>>> root.insert(0, etree.Element('child0'))  # 插入>>> start = root[:1]  # 切片>>> end = root[-1:]>>> print(start[0].tag)child0>>> print(end[0].tag)child3>>> root.append( etree.Element('child4') )  # 尾部添加>>> print(etree.tostring(root))b'<root><child0/><child1/><child2/><child3/><child4/></root>'

其实前面讲到的删除子节点的两个方法remove和clear也和列表相似。

7、获取父节点

使用getparent方法可以获取父节点。

>>> print(child1.getparent().tag)root

属性操作

属性是以key-value的方式存储的，就像字典一样。

1、创建属性

可以在创建Element对象时同步创建属性，第二个参数即为属性名和属性值：

>>> root = etree.Element('root', interesting='totally')>>> print(etree.tostring(root))b'<root interesting="totally"/>'

也可以使用set方法给已有的Element对象添加属性，两个参数分别为属性名和属性值：

>>> root.set('hello', 'Huhu')>>> print(etree.tostring(root))b'<root interesting="totally" hello="Huhu"/>'

2、获取属性

属性是以key-value的方式存储的，就像字典一样。直接看例子

# get方法获得某一个属性值>>> print(root.get('interesting'))totally# keys方法获取所有的属性名>>> sorted(root.keys())['hello', 'interesting']# items方法获取所有的键值对>>> for name, value in sorted(root.items()):...     print('%s = %r' % (name, value))hello = 'Huhu'interesting = 'totally'

也可以用attrib属性一次拿到所有的属性及属性值存于字典中：

>>> attributes = root.attrib>>> print(attributes){'interesting': 'totally', 'hello': 'Huhu'}>>> attributes['good'] = 'Bye'  # 字典的修改影响节点>>> print(root.get('good'))Bye

文本操作

标签及标签的属性操作介绍完了，最后就剩下标签内的文本了。可以使用text和tail属性、或XPath的方式来访问文本内容。

1、text和tail属性

一般情况，可以用Element的text属性访问标签的文本。

>>> root = etree.Element('root')>>> root.text = 'Hello, World!'>>> print(root.text)Hello, World!>>> print(etree.tostring(root))b'<root>Hello, World!</root>'

XML的标签一般是成对出现的，有开有关，但像HTML则可能出现单一的标签，比如下面这段代码中的<br/>。

<html><body>Text<br/>Tail</body></html>

Element类提供了tail属性支持单一标签的文本获取。

>>> html = etree.Element('html')>>> body = etree.SubElement(html, 'body')>>> body.text = 'Text'>>> print(etree.tostring(html))b'<html><body>Text</body></html>'>>> br = etree.SubElement(body, 'br')>>> print(etree.tostring(html))b'<html><body>Text<br/></body></html>'# tail仅在该标签后面追加文本>>> br.tail = 'Tail'>>> print(etree.tostring(br))b'<br/>Tail'>>> print(etree.tostring(html))b'<html><body>Text<br/>Tail</body></html>'# tostring方法增加method参数，过滤单一标签，输出全部文本>>> print(etree.tostring(html, method='text'))b'TextTail'

2、XPath方式

# 方式一：过滤单一标签，返回文本>>> print(html.xpath('string()'))TextTail# 方式二：返回列表，以单一标签为分隔>>> print(html.xpath('//text()'))['Text', 'Tail']

方法二获得的列表，每个元素都会带上它所属节点及文本类型信息，如下：

>>> texts = html.xpath('//text()'))>>> print(texts[0])Text# 所属节点>>> parent = texts[0].getparent()  >>> print(parent.tag)body>>> print(texts[1], texts[1].getparent().tag)Tail br# 文本类型：是普通文本还是tail文本>>> print(texts[0].is_text)True>>> print(texts[1].is_text)False>>> print(texts[1].is_tail)True

文件解析与输出

这一节回答问题1。

这部分讲述如何将XML文件解析为Element对象，以及如何将Element对象输出为XML文件。

1、文件解析

文件解析常用的有fromstring、XML和HTML三个方法。接受的参数都是字符串。

>>> xml_data = '<root>data</root>'# fromstring方法>>> root1 = etree.fromstring(xml_data)>>> print(root1.tag)root>>> print(etree.tostring(root1))b'<root>data</root>'# XML方法，与fromstring方法基本一样>>> root2 = etree.XML(xml_data)>>> print(root2.tag)root>>> print(etree.tostring(root2))b'<root>data</root>'# HTML方法，如果没有<html>和<body>标签，会自动补上>>> root3 = etree.HTML(xml_data)>>> print(root3.tag)html>>> print(etree.tostring(root3))b'<html><body><root>data</root></body></html>'

2、输出

输出其实就是前面一直在用的tostring方法了，这里补充xml_declaration和encoding两个参数，前者是XML声明，后者是指定编码。

>>> root = etree.XML('<root><a><b/></a></root>')>>> print(etree.tostring(root))b'<root><a><b/></a></root>'# XML声明>>> print(etree.tostring(root, xml_declaration=True))b"<?xml version='1.0' encoding='ASCII'?>\n<root><a><b/></a></root>"# 指定编码>>> print(etree.tostring(root, encoding='iso-8859-1'))b"<?xml version='1.0' encoding='iso-8859-1'?>\n<root><a><b/></a></root>"

ElementPath

这一节回答问题2。

讲ElementPath前，需要引入ElementTree类，一个ElementTree对象可理解为一个完整的XML树，每个节点都是一个Element对象。而ElementPath则相当于XML中的XPath。用于搜索和定位Element元素。

这里介绍两个常用方法，可以满足大部分搜索、查询需求，它们的参数都是XPath语句：

findall()：返回所有匹配的元素，返回列表
find()：返回匹配到的第一个元素

>>> root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>")# 查找第一个b标签>>> print(root.find('b'))None>>> print(root.find('a').tag)a# 查找所有b标签，返回Element对象组成的列表>>> [ b.tag for b in root.findall('.//b') ]['b', 'b']# 根据属性查询>>> print(root.findall('.//a[@x]')[0].tag)a>>> print(root.findall('.//a[@y]'))[]

参考：

lxml官方文档：http://lxml.de/tutorial.html
XPath语法：http://www.w3school.com.cn/xpath/xpath_syntax.asp

0 0