【转】python3解析库lxml

mugua250 2024-09-25 13:25:59 原文

转自:http://www.cnblogs.com/zhangxinqi/p/9210211.html

阅读目录

1、python库lxml的安装
2、XPath常用规则
（1）读取文本解析节点
（2）读取HTML文件进行解析
（3）获取所有节点
（4）获取子节点
（5）获取父节点
（6）属性匹配
（7）文本获取
（8）属性获取
（9）属性多值匹配
（10）多属性匹配
（11）XPath中的运算符
（12）按序选择
（13）节点轴选择
（14）案例应用：抓取TIOBE指数前20名排行开发语言

lxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

XPath，全称XML Path Language，即XML路径语言，它是一门在XML文档中查找信息的语言，它最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索

XPath的选择功能十分强大，它提供了非常简明的路径选择表达式，另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有我们想要定位的节点，都可以用XPath来选择

XPath于1999年11月16日成为W3C标准，它被设计为供XSLT、XPointer以及其他XML解析软件使用，更多的文档可以访问其官方网站：https://www.w3.org/TR/xpath/

1、python库lxml的安装

windows系统下的安装：

#pip安装

pip3 install lxml

#wheel安装

#下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml

pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl

linux下安装：

yum install -y epel-release libxslt-devel libxml2-devel openssl-devel

pip3 install lxml

验证安装：

$python3

>>>import lxml

2、XPath常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点
.	选取当前节点
..	选取当前节点的父节点
@	选取属性
*	通配符，选择所有元素节点与元素名
@*	选取所有属性
[@attrib]	选取具有给定属性的所有元素
[@attrib='value']	选取给定属性具有给定值的所有元素
[tag]	选取所有具有指定元素的直接子节点
[tag='text']	选取所有具有指定元素并且文本内容是text节点

（1）读取文本解析节点

from lxml import etree

text='''

<div>

    <ul>

         <li class="item-0"><a href="link1.html">第一个</a></li>

         <li class="item-1"><a href="link2.html">second item</a></li>

         <li class="item-0"><a href="link5.html">a属性</a>

     </ul>

 </div>

'''

html=etree.HTML(text) #初始化生成一个XPath解析对象

result=etree.tostring(html,encoding='utf-8')   #解析对象输出代码

print(type(html))

print(type(result))

print(result.decode('utf-8'))

#etree会修复HTML文本节点

<class 'lxml.etree._Element'>

<class 'bytes'>

<html><body><div>

    <ul>

         <li class="item-0"><a href="link1.html">第一个</a></li>

         <li class="item-1"><a href="link2.html">second item</a></li>

         <li class="item-0"><a href="link5.html">a属性</a>

     </li></ul>

 </div>

</body></html>

（2）读取HTML文件进行解析

from lxml import etree

html=etree.parse('test.html',etree.HTMLParser()) #指定解析器HTMLParser会根据文件修复HTML文件中缺失的如声明信息

result=etree.tostring(html)   #解析成字节

#result=etree.tostringlist(html) #解析成列表

print(type(html))

print(type(result))

print(result)

#

<class 'lxml.etree._ElementTree'>

<class 'bytes'>

b'<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">\n<html><body><div>\n    <ul>\n         <li class="item-0"><a href="link1.html">first item</a></li>\n         <li class="item-1"><a href="link2.html">second item</a></li>\n         <li class="item-inactive"><a href="link3.html">third item</a></li>\n         <li class="item-1"><a href="link4.html">fourth item</a></li>\n         <li class="item-0"><a href="link5.html">fifth item</a>\n     </li></ul>\n </div>\n</body></html>'

（3）获取所有节点

返回一个列表每个元素都是Element类型，所有节点都包含在其中

from lxml import etree

html=etree.parse('test',etree.HTMLParser())

result=html.xpath('//*')  #//代表获取子孙节点，*代表获取所有

print(type(html))

print(type(result))

print(result)

#

<class 'lxml.etree._ElementTree'>

<class 'list'>

[<Element html at 0x754b210048>, <Element body at 0x754b210108>, <Element div at 0x754b210148>, <Element ul at 0x754b210188>, <Element li at 0x754b2101c8>, <Element a at 0x754b210248>, <Element li at 0x754b210288>, <Element a at 0x754b2102c8>, <Element li at 0x754b210308>, <Element a at 0x754b210208>, <Element li at 0x754b210348>, <Element a at 0x754b210388>, <Element li at 0x754b2103c8>, <Element a at 0x754b210408>]

如要获取li节点，可以使用//后面加上节点名称，然后调用xpath()方法

html.xpath('//li')   #获取所有子孙节点的li节点

（4）获取子节点

通过/或者//即可查找元素的子节点或者子孙节点，如果想选择li节点的所有直接a节点，可以这样使用

result=html.xpath('//li/a')  #通过追加/a选择所有li节点的所有直接a节点，因为//li用于选中所有li节点，/a用于选中li节点的所有直接子节点a

（5）获取父节点

我们知道通过连续的/或者//可以查找子节点或子孙节点，那么要查找父节点可以使用..来实现也可以使用parent::来获取父节点

from lxml import etree

from lxml.etree import HTMLParser

text='''

<div>

    <ul>

         <li class="item-0"><a href="link1.html">第一个</a></li>

         <li class="item-1"><a href="link2.html">second item</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text,etree.HTMLParser())

result=html.xpath('//a[@href="link2.html"]/../@class')

result1=html.xpath('//a[@href="link2.html"]/parent::*/@class')

print(result)

print(result1)

#

['item-1']

['item-1']

（6）属性匹配

在选取的时候，我们还可以用@符号进行属性过滤。比如，这里如果要选取class为item-1的li节点，可以这样实现:

from lxml import etree

from lxml.etree import HTMLParser

text='''

<div>

    <ul>

         <li class="item-0"><a href="link1.html">第一个</a></li>

         <li class="item-1"><a href="link2.html">second item</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text,etree.HTMLParser())

result=html.xpath('//li[@class="item-1"]')

print(result)

（7）文本获取

我们用XPath中的text()方法获取节点中的文本

from lxml import etree

text='''

<div>

    <ul>

         <li class="item-0"><a href="link1.html">第一个</a></li>

         <li class="item-1"><a href="link2.html">second item</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text,etree.HTMLParser())

result=html.xpath('//li[@class="item-1"]/a/text()') #获取a节点下的内容

result1=html.xpath('//li[@class="item-1"]//text()') #获取li下所有子孙节点的内容

print(result)

print(result1)

（8）属性获取

使用@符号即可获取节点的属性，如下：获取所有li节点下所有a节点的href属性

result=html.xpath('//li/a/@href')  #获取a的href属性

result=html.xpath('//li//@href')   #获取所有li子孙节点的href属性

（9）属性多值匹配

如果某个属性的值有多个时，我们可以使用contains()函数来获取

from lxml import etree

text1='''

<div>

    <ul>

         <li class="aaa item-0"><a href="link1.html">第一个</a></li>

         <li class="bbb item-1"><a href="link2.html">second item</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text1,etree.HTMLParser())

result=html.xpath('//li[@class="aaa"]/a/text()')

result1=html.xpath('//li[contains(@class,"aaa")]/a/text()')

print(result)

print(result1)

#通过第一种方法没有取到值，通过contains（）就能精确匹配到节点了

[]

['第一个']

（10）多属性匹配

另外我们还可能遇到一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性，此时可用运用and运算符来连接使用：

from lxml import etree

text1='''

<div>

    <ul>

         <li class="aaa" name="item"><a href="link1.html">第一个</a></li>

         <li class="aaa" name="fore"><a href="link2.html">second item</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text1,etree.HTMLParser())

result=html.xpath('//li[@class="aaa" and @name="fore"]/a/text()')

result1=html.xpath('//li[contains(@class,"aaa") and @name="fore"]/a/text()')

print(result)

print(result1)

#

['second item']

['second item']

（11）XPath中的运算符

运算符	描述	实例	返回值
or	或	age=19 or age=20	如果age等于19或者等于20则返回true反正返回false
and	与	age>19 and age<21	如果age等于20则返回true，否则返回false
mod	取余	5 mod 2	1
\|	取两个节点的集合	//book \| //cd	返回所有拥有book和cd元素的节点集合
+	加	6+4	10
-	减	6-4	2
*	乘	6*4	24
div	除法	8 div 4	2
=	等于	age=19	true
!=	不等于	age!=19	true
<	小于	age<19	true
<=	小于或等于	age<=19	true
>	大于	age>19	true
>=	大于或等于	age>=19	true

此表参考来源:http://www.w3school.com.cn/xpath/xpath_operators.asp

（12）按序选择

有时候，我们在选择的时候某些属性可能同时匹配多个节点，但我们只想要其中的某个节点，如第二个节点或者最后一个节点，这时可以利用中括号引入索引的方法获取特定次序的节点：

from lxml import etree

text1='''

<div>

    <ul>

         <li class="aaa" name="item"><a href="link1.html">第一个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第二个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第三个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第四个</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text1,etree.HTMLParser())

result=html.xpath('//li[contains(@class,"aaa")]/a/text()') #获取所有li节点下a节点的内容

result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()') #获取第一个

result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()') #获取最后一个

result3=html.xpath('//li[position()>2 and position()<4][contains(@class,"aaa")]/a/text()') #获取第一个

result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()') #获取倒数第三个

print(result)

print(result1)

print(result2)

print(result3)

print(result4)

#

['第一个', '第二个', '第三个', '第四个']

['第一个']

['第四个']

['第三个']

['第二个']

这里使用了last()、position()函数，在XPath中，提供了100多个函数，包括存取、数值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可参考：http://www.w3school.com.cn/xpath/xpath_functions.asp

（13）节点轴选择

XPath提供了很多节点选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例如下：

from lxml import etree

text1='''

<div>

    <ul>

         <li class="aaa" name="item"><a href="link1.html">第一个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第二个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第三个</a></li>

         <li class="aaa" name="item"><a href="link1.html">第四个</a></li>

     </ul>

 </div>

'''

html=etree.HTML(text1,etree.HTMLParser())

result=html.xpath('//li[1]/ancestor::*')  #获取所有祖先节点

result1=html.xpath('//li[1]/ancestor::div')  #获取div祖先节点

result2=html.xpath('//li[1]/attribute::*')  #获取所有属性值

result3=html.xpath('//li[1]/child::*')  #获取所有直接子节点

result4=html.xpath('//li[1]/descendant::a')  #获取所有子孙节点的a节点

result5=html.xpath('//li[1]/following::*')  #获取当前子节之后的所有节点

result6=html.xpath('//li[1]/following-sibling::*')  #获取当前节点的所有同级节点

#

[<Element html at 0x3ca6b960c8>, <Element body at 0x3ca6b96088>, <Element div at 0x3ca6b96188>, <Element ul at 0x3ca6b961c8>]

[<Element div at 0x3ca6b96188>]

['aaa', 'item']

[<Element a at 0x3ca6b96248>]

[<Element a at 0x3ca6b96248>]

[<Element li at 0x3ca6b96308>, <Element a at 0x3ca6b96348>, <Element li at 0x3ca6b96388>, <Element a at 0x3ca6b963c8>, <Element li at 0x3ca6b96408>, <Element a at 0x3ca6b96488>]

[<Element li at 0x3ca6b96308>, <Element li at 0x3ca6b96388>, <Element li at 0x3ca6b96408>]

以上使用的是XPath轴的用法，更多轴的用法可参考：http://www.w3school.com.cn/xpath/xpath_axes.asp

（14）案例应用：抓取TIOBE指数前20名排行开发语言

#!/usr/bin/env python

#coding:utf-8

import requests

from requests.exceptions import RequestException

from lxml import etree

from lxml.etree import ParseError

import json

def one_to_page(html):

    headers={

        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'

    }

    try:

        response=requests.get(html,headers=headers)

        body=response.text  #获取网页内容

    except RequestException as e:

        print('request is error!',e)

    try:

        html=etree.HTML(body,etree.HTMLParser())  #解析HTML文本内容

        result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()') #获取列表数据

        pos = 0

        for i in range(20):

            if i == 0:

                yield result[i:5]

            else:

                yield result[pos:pos+5]  #返回排名生成器数据

            pos+=5

    except ParseError as e:

         print(e.position)

def write_file(data):   #将数据重新组合成字典写入文件并输出

    for i in data:

        sul={

            '2018年6月排行':i[0],

            '2017年6排行':i[1],

            '开发语言':i[2],

            '评级':i[3],

            '变化率':i[4]

        }

        with open('test.txt','a',encoding='utf-8') as f:

            f.write(json.dumps(sul,ensure_ascii=False) + '\n') #必须格式化数据

            f.close()

        print(sul)

    return None

def main():

    url='https://www.tiobe.com/tiobe-index/'

    data=one_to_page(url)

    revaule=write_file(data)

    if revaule == None:

        print('ok')

if __name__ == '__main__':

    main()

#

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Java', '评级': '15.368%', '变化率': '+0.88%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'C', '评级': '14.936%', '变化率': '+8.09%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'C++', '评级': '8.337%', '变化率': '+2.61%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Python', '评级': '5.761%', '变化率': '+1.43%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'C#', '评级': '4.314%', '变化率': '+0.78%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Visual Basic .NET', '评级': '3.762%', '变化率': '+0.65%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'PHP', '评级': '2.881%', '变化率': '+0.11%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'JavaScript', '评级': '2.495%', '变化率': '-0.53%'}

{'2018年6月排行': '', '2017年6排行': '-', '开发语言': 'SQL', '评级': '2.339%', '变化率': '+2.34%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'R', '评级': '1.452%', '变化率': '-0.70%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Ruby', '评级': '1.253%', '变化率': '-0.97%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Objective-C', '评级': '1.181%', '变化率': '-0.78%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Visual Basic', '评级': '1.154%', '变化率': '-0.86%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Perl', '评级': '1.147%', '变化率': '-1.16%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Swift', '评级': '1.145%', '变化率': '-1.06%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Assembly language', '评级': '0.915%', '变化率': '-1.34%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'MATLAB', '评级': '0.894%', '变化率': '-1.10%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Go', '评级': '0.879%', '变化率': '-1.17%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'Delphi/Object Pascal', '评级': '0.875%', '变化率': '-1.28%'}

{'2018年6月排行': '', '2017年6排行': '', '开发语言': 'PL/SQL', '评级': '0.848%', '变化率': '-0.72%'}

XPath的更多用法参考：http://www.w3school.com.cn/xpath/index.asp

python lxml库的更多用法参考：http://lxml.de/

标签: python爬虫

好文要顶关注我收藏该文

Py.qi
关注 - 9
粉丝 - 70

+加关注

3

0

« 上一篇：python3之requests
» 下一篇：python3解析库BeautifulSoup4

【转】python3解析库lxml的更多相关文章

python3解析库lxml
阅读目录 1.python库lxml的安装 2.XPath常用规则 (1)读取文本解析节点 (2)读取HTML文件进行解析 (3)获取所有节点 (4)获取子节点 (5)获取父节点 (6)属性匹配 (7 ...
python3解析库pyquery
pyquery是一个类似jquery的python库,它实现能够在xml文档中进行jQuery查询,pyquery使用lxml解析器进行快速在xml和html文档上操作,它提供了和jQuery类似的语 ...
python3解析库BeautifulSoup4
Beautiful Soup是python的一个HTML或XML的解析库,我们可以用它来方便的从网页中提取数据,它拥有强大的API和多样的解析方式. Beautiful Soup的三个特点: Beau ...
Python3编写网络爬虫06-基本解析库Beautiful Soup的使用
二.Beautiful Soup 简介就是python的一个HTML或XML的解析库可以用它来很方便的从网页中提取数据 0.1 提供一些简单的 python式的函数来处理导航,搜索,修改分析树等功 ...
网络爬虫之Selenium模块和Xpath表达式+Lxml解析库的使用
实际生产环境下,我们一般使用lxml的xpath来解析出我们想要的数据,本篇博客将重点整理Selenium和Xpath表达式,关于CSS选择器,将另外再整理一篇! 一.介绍: selenium最初是一 ...
Python3编写网络爬虫05-基本解析库XPath的使用
一.XPath 全称 XML Path Language 是一门在XML文档中查找信息的语言最初是用来搜寻XML文档的但是它同样适用于HTML文档的搜索 XPath 的选择功能十分强大,它提供了 ...
Python3 BeautifulSoup和Pyquery解析库随笔
BeautifuSoup和Pyquery解析库方法比较 1.对象初始化: BeautifySoup库: from bs4 import BeautifulSoup html = 'html strin ...
Python3爬虫（六）解析库的使用之Beautiful Soup
Infi-chu: http://www.cnblogs.com/Infi-chu/ Beautiful Soup 借助网页的结构和属性等特性来解析网页,这样就可以省去复杂的正则表达式的编写. Bea ...
第二节：web爬虫之lxml解析库
lxml是python的一个解析库,支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高.

随机推荐

Http如何利用304让浏览器去更新数据
ETag 是 Entity Tag 的缩写,中文译过来就是实体标签的意思.在HTTP1.1协议中其实就是请求HEAD中的一个属性而已. HTTP/1.1 200 OK Date: Mon, 23 Ma ...
GET和POST传输方式
GET和POST传输在很多人看来,get和post的区别有比如安不安全,传输有大小限制等,在这里,我将对get和post做出客观的评价: GET: 传输方法:get传输数据一般是在地址栏的url的问 ...
使用rvm安装与切换Ruby
列出已知的 Ruby 版本 rvm list known安装一个 Ruby 版本 rvm install 2.3.1 --disable-binary这里安装了最新的 2.2.0, rvm list ...
golang使用redis
redigo使用手册地址:http://godoc.org/github.com/garyburd/redigo/redis github地址:https://github.com/garyburd ...
HDU 1030(三角数阵数学)
题意是问在给定的三角形数阵中从一个数到另一个数所要跨过的边数. 最初的时候很迷,除了发现每层的数字个数与层数间的关系和每层数最后一个数与层数的关系外什么也没看出来,打算先求出数字所在的层数,然后计算到 ...
Shell编程（二）Bash中调用Python
解决IOS移动端固定定位失效问题
根据浏览器窗口position:fixed; 定位在底部的元素,会随着屏幕的滚动而滚动,在iOS系统上不起作用. <div class="header">头部</ ...
kudu系列: Java API使用和效率测试
Kudu+Impala很适合数据分析, 但直接使用Insert values语句往Kudu表插入数据, 效率实在不好, 测试下来insert的速度仅为80笔/秒. 原因也是显然的, Kudu本身写入效 ...
Hadoop 博文整理
参考文章##搭建使用yum安装CDH Hadoop集群 http://blog.javachen.com/2013/04/06/install-cloudera-cdh-by-yum/ Ha ...
[Windows] [DLL] [动态链接库技术]
cppblog.com 天空的博客 http://www.cppblog.com/API/archive/2011/03/10/141506.html cnblogs.com 吴秦的博客 http:/ ...