lxml入门
...大约 4 分钟
lxml入门
1. 简介
lxml 是一个流行的解析库，使用Xpath语法
2. Xpath常用语法
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
2.1 选取节点
下面列出了最有用的路径表达式：
| 表达式 | 描述 |
|---|---|
| nodename | 选取此节点的所有子节点。 |
| / | 从根节点选取。 |
| // | 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
| . | 选取当前节点。 |
| .. | 选取当前节点的父节点。 |
| @ | 选取属性。 |
XPath 通配符可用来选取未知的 XML 元素。
| 通配符 | 描述 |
|---|---|
| * | 匹配任何元素节点。 |
| @* | 匹配任何属性节点。 |
| node() | 匹配任何类型的节点。 |
通过在路径表达式中使用“|”运算符，可以选取若干个路径，“|”两边的表达式是互相独立的，并非是一个表达式下。
2.2 谓语
通过以上介绍我们基本可以进行选取节点了，但是有可能选的节点有点多，那么这时候就需要用谓语了。谓语就是用来做过滤的，过滤条件均写在[]中。
| 路径表达式 | 结果 |
|---|---|
| /bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
| /bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
| /bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
| /bookstore/book[position()❤️] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
| //title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
| //title[@lang='eng'] | 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。 |
| /bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。 |
| /bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。 |
3. lxml用法
3.1 初步使用
利用他解析Html代码
from lxml import etree
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)- 使用 lxml 的 etree 库
- 利用 etree.HTML 初始化
- 最后将其打印出来
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。 所以输出结果是这样的
<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。
3.2 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"><span class="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。
from lxml import etree
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)同样可以得到相同的结果。
3.3 XPath 实例测试
依然以上一段程序为例 （1）
3.3.1 获取所有的标签
from lxml import etree
html = etree.parse('hello.html')
print ("type(html): "+str(type(html)))
result = html.xpath('//li')
print ("result: "+str(result))
print ("len(result): "+str(len(result)))
print ("type(result): "+str(type(result)))
print ("type(result[0]): "+str(type(result[0])))运行结果
type(html): <class 'lxml.etree._ElementTree'>
result: [<Element li at 0x56b8e80>, <Element li at 0x562d6c0>, <Element li at 0x56dab80>, <Element li at 0x56dabc0>, <Element li at 0x56dac00>]
len(result): 5
type(result): <class 'list'>
type(result[0]): <class '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 个元素，每个元素都是 Element 类型
3.3.2 获取标签所有的class
result = html.xpath('//li/@class')
print(result )运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']3.3.3 获取标签下href 为link1.html 的 标签
result = html.xpath('//li/a[@href="link1.html"]')
print(result )运行结果
[<Element a at 0x5587b00>]3.3.4 获取标签下的所有 标签
错误写法
result = html.xpath('//li/span')因为 / 是用来获取子元素的，这样获取得为空数组。所以要用双斜杠
result = html.xpath('//li//span')
print(result )运行结果
[<Element span at 0x5636d80>]3.3.5 获取最后一个href
result = html.xpath('//li[last()]/a/@href')print result运行结果：
['link5.html']3.3.6 获取倒数第二个元素的内容
result = html.xpath('//li[last()-1]/a')
print result[0].text运行结果
fourth item3.3.7 获取 class 为 bold 的标签名
result = html.xpath('//*[@class="bold"]')
print result[0].tag运行结果
span参考文章
赞助
