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
3、不匹配href=" www.biancheng.net/priduct"
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
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
你知道吗?python lxml 库也能用于操作 svg 图片