Python操作lxml库(基础篇)

Posted 醉蕤

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python操作lxml库(基础篇)相关的知识,希望对你有一定的参考价值。

​ 

活动地址:CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩;迟一天就多一天平庸的困扰。

学习日记

目录

目录

学习日记

一、lxml库概述

1、lxml库介绍

2、lxml库特点

3、lxml库的安装

二、基本使用

1、lxml.etree

2、解析HTML网页

3、读取并解析HTML文件

三、lxml使用流程

1、 导入模块

2、创建解析对象

四、lxml库数据提取

1、提取所有a标签内的文本信息

2、获取所有href的属性值

3、不匹配href=" www.biancheng.net/priduct"

Python操作lxml库文章集合


一、lxml库概述

1、lxml库介绍

        lxml是XML和html的解析器,其主要功能是解析和提取XML和HTML中的数据;lxml和正则一样,也是用C语言实现的,是一款高性能的python HTML、XML解析器,也可以利用XPath语法,来定位特定的元素及节点信息。

2、lxml库特点

        HTML是超文本标记语言,主要用于显示数据,他的焦点是数据的外观
XML是可扩展标记语言,主要用于传输和存储数据,他的焦点是数据的内容

3、lxml库的安装

windows系统下,在cmd命令提示框中,输入如下命令

pip install lxml

在cmd命令行验证是否安装成功。若引入模块,不返回错误则说明安装成功。 

二、基本使用

1、lxml.etree

在爬虫代码采集过程中,通过etree.HTML直接将字符串实例转化为element对象。

import requests
from lxml import etree

res = requests.get("http://www.jsons.cn/zt/")

html = res.text

root_element = etree.HTML(html)

print(root_element)
print(root_element.tag)

2、解析HTML网页

#解析HTML字符串
from lxml import etree
text = '''
<html><body>
    <div class="key">
        <div class="name">无羡</div>
        <div class="age">20</div>
        <div class="address">四川</div>
    </div>
</body></html>
'''
# 开始初始化
html = etree.HTML(text)  # 这里需要传入一个html形式的字符串
print(html)
print(type)
# 将字符串序列化为html字符串
result = etree.tostring(html).decode('utf-8')
print(result)
print(type(result))

3、读取并解析HTML文件

from lxml import etree

# 将html文件进行读取
html = etree.parse('1.html')

# 将html内容序列化
result = etree.tostring(html).decode('utf-8')
print(result)
print(type(result))
html = etree.HTML(result)  # 这里需要传入一个html形式的字符串
print(html)
print(type)

三、lxml使用流程

1、 导入模块

from lxml import etree

2、创建解析对象

调用 etree 模块的 HTML() 方法来创建 HTML 解析对象。

parse_html = etree.HTML(html)

HTML() 方法能够将 HTML 标签字符串解析为 HTML 文件,该方法可以自动修正 HTML 文本。

from lxml import etree
html_str = '''
<div>
    <ul>
         <li class="item1"><a href="link1.html">Python</a></li>
         <li class="item2"><a href="link2.html">Java</a></li>
         <li class="site1"><a href="c.biancheng.net">C语言中文网</a>
         <li class="site2"><a href="www.baidu.com">百度</a></li>
         <li class="site3"><a href="www.jd.com">京东</a></li>
     </ul>
</div>
'''
html = etree.HTML(html_str)

result = etree.tostring(html)
print(result.decode('utf-8'))

四、lxml库数据提取

1、提取所有a标签内的文本信息

from lxml import etree
# 创建解析对象
parse_html=etree.HTML(html)
# 书写xpath表达式,提取文本最终使用text()
xpath_bds='//a/text()'
# 提取文本数据,以列表形式输出
r_list=parse_html.xpath(xpath_bds)
# 打印数据列表
print(r_list)

2、获取所有href的属性值

from lxml import etree
# 创建解析对象
parse_html=etree.HTML(html)
# 书写xpath表达式,提取文本最终使用text()
xpath_bds='//a/@href'
# 提取文本数据,以列表形式输出
r_list=parse_html.xpath(xpath_bds)
# 打印数据列表
print(r_list)

3、不匹配href=" www.biancheng.net/priduct"

from lxml import etree
# 创建解析对象
parse_html=etree.HTML(html)
# 书写xpath表达式,提取文本最终使用text()
xpath_bds='//a/@href'
# 提取文本数据,以列表形式输出
xpath_bds='//ul[@id="sitename"]/li/a/@href'
# 打印数据列表
print(r_list)

Python操作lxml库文章集合

Python操作lxml库(基础篇)

Python操作lxml库(Xpath篇)

Python3操作BeautifulSoup基础语法

解析库

解析库 使用方法 优势 劣势
Python标准库 BeautifulSoup(html,’html.parser’) Python内置标准库;执行速度快 容错能力较差
lxml HTML解析库 BeautifulSoup(html,’lxml’) 速度快;容错能力强 需要安装,需要C语言库
lxml XML解析库 BeautifulSoup(html,[‘lxml’,’xml’]) 速度快;容错能力强;支持XML格式 需要C语言库
htm5lib解析库 BeautifulSoup(html,’htm5llib’) 以浏览器方式解析,最好的容错性 速度慢

代码示例

<!DOCTYPE html>
<!--STATUS OK-->
<html>
 <head>
  <meta content="text/html;charset=utf-8" http-equiv="content-type"/>
  <meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
  <meta content="always" name="referrer"/>
  <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
  <title>百度一下,你就知道 </title>
 </head>
 <body link="#0000cc">
  <div id="wrapper">
   <div id="head">
    <div class="head_wrapper">
     <div id="u1">
      <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews">
       新闻 </a>
      <a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123">
       hao123 </a>
      <a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap">
       地图 </a>
      <a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo">
       视频 </a>
      <a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
       贴吧 </a>
      <a rel="nofollow" class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">
       更多产品 </a>
     </div>
    </div>
   </div>
  </div>
 </body>
</html>

创建beautifulsoup4对象

from bs4 import BeautifulSoup

soup = BeautifulSoup(html,"html.parser")

# 缩进格式
print(soup.prettify())

# 获取title标签的所有内容
print(soup.title)
#Output:<title>百度一下,你就知道 </title>

# 获取title标签的名称
print(soup.title.name)
#Output:title

# 获取title标签的文本内容
print(soup.title.string)
#Output:百度一下,你就知道

# 获取head标签的所有内容
print(soup.head)

# 获取第一个div标签中的所有内容
print(soup.div)

# 获取第一个div标签的id的值
print(soup.div["id"])

# 获取第一个a标签中的所有内容
print(soup.a)

# 获取所有的a标签中的所有内容
print(soup.find_all("a"))

# 获取id="u1"
print(soup.find(id="u1"))

# 获取所有的a标签,并遍历打印a标签中的href的值
for item in soup.find_all("a"):
    print(item.get("href"))

# 获取所有的a标签,并遍历打印a标签的文本值
for item in soup.find_all("a"):
    print(item.get_text())

BeautifulSoup4四大对象种类

  • Tag:通俗点讲就是HTML中的一个个标签

      from soup4 import BeautifulSoup
      soup = BeautifulSoup(html,"html.parser")
    
      # 获取title标签的所有内容
      print(soup.title)
    
      # 获取head标签的所有内容
      print(soup.head)
    
      # 获取第一个a标签的所有内容
      print(soup.a)
    
      # 类型
      print(type(soup.a
    
      #soup 对象本身比较特殊,它的 name 即为 [document]
      print(soup.name)
    
      # head
      #对于其他内部标签,输出的值便为标签本身的名称
      print(soup.head.name)
    
      # 在这里,我们把 a 标签的所有属性打印输出了出来,得到的类型是一个字典。
      print(soup.a.attrs)
    
      #还可以利用get方法,传入属性的名称,二者是等价的
      print(soup.a[class]) # soup.a.get(class)
    
      # 可以对这些属性和内容等等进行修改
      soup.a[class] = "newClass"
      print(soup.a)
    
      # 还可以对这个属性进行删除
      del soup.a[class]
      print(soup.a)
  • NavigableString: 获取标签内部的文字用 .string 即可

      print(soup.title.string)
    
      print(type(soup.title.string))
  • BeautifulSoup: 表示的是一个文档的内容

      print(type(soup.name))
    
      print(soup.name)
    
      print(soup.attrs)
  • Comment: 是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。

    print(soup.a)  # 此时不能出现空格和换行符,a标签如下:
    # <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
    
    print(soup.a.string) # 新闻
    
    print(type(soup.a.string)) # <class soup4.element.Comment>

遍历文档树

  • .contents:获取Tag的所有子节点,返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents)

# 用列表索引来获取它的某一个元素
print(soup.head.contents[1])
  • .children:获取Tag的所有子节点,返回一个生成器
for child in  soup.body.children:
    print(child)

搜索文档树

  • find_all(name, attrs, recursive, text, **kwargs)

    • name参数
    • 字符串过滤:会查找与字符串完全匹配的内容
      a_list = soup.find_all("a")
      print(a_list)
    • 正则表达式过:如果传入的是正则表达式,那么BeautifulSoup4会通过search()来匹配内容
      item_list = soup.find_all(re.compile("a"))
      for item in item_list:
          print(item)
    • 列表: 如果传入一个列表,BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
      item_list = soup.find_all(["meta","link"])
      for item in item_list:
          print(item)
    • 方法: 传入一个方法,根据方法来匹配
    def name_is_exists(tag):
      return tag.has_attr("name")
    
    item_list = soup.find_all(name_is_exists)
    for item in item_list:
        print(item)
    • kwargs参数

      # 查询id=head的Tag
      item_list = soup.find_all(id="head")
      print(item_list)
      
      # 查询href属性包含ss1.bdstatic.com的Tag
      item_list = soup.find_all(href=re.compile("http://news.baidu.com"))
      print(item_list)
      
      # 查询所有包含class的Tag(注意:class在Python中属于关键字,所以加_以示区别)
      item_list = soup.find_all(class_=True)
      for item in item_list:
        print(item)
    • attrs参数
    item_list = soup.find_all(attrs="data-foo":"value")
    for item in item_list:
        print(item)
    • text参数
    item_list = soup.find_all(attrs="data-foo": "value")
    for item in item_list:
        print(item)
    
    item_list = soup.find_all(text="hao123")
    for item in item_list:
        print(item)
    
    item_list = soup.find_all(text=["hao123", "地图", "贴吧"])
    for item in item_list:
        print(item)
    
    item_list = soup.find_all(text=re.compile("\\d"))
    for item in item_list:
        print(item)
    • limit参数
    item_list = soup.find_all("a",limit=2)
    for item in item_list:
        print(item)
  • find
t = soup.div.div

# 等价于
t = soup.find("div").find("div")

CSS选择器

  • 通过标签名查找
print(soup.select(title))

print(soup.select(a))
  • 通过类名查找
print(soup.select(.mnav))
  • 通过id查找
print(soup.select(#u1))
  • 组合查找
print(soup.select(div .bri))
  • 属性查找
print(soup.select(a[class="bri"]))
print(soup.select(a[href="http://tieba.baidu.com"]))
  • 获取内容
item_list = soup.select("title")
print(soup.select(title)[0].get_text())

以上是关于Python操作lxml库(基础篇)的主要内容,如果未能解决你的问题,请参考以下文章

Python操作XML和HTML,LXML类库的使用

你知道吗?python lxml 库也能用于操作 svg 图片

你知道吗?python lxml 库也能用于操作 svg 图片

python爬虫篇之 Scrapy框架安装

Python基础篇第1篇: 内置库模块 OS

python爬微信公众号前10篇历史文章-lxml&xpath初探