Python3 爬虫学习笔记第七章 —— 【解析库 lxml】
文章目录
【7.1】关于 lxml【7.2】使用 XPath【7.3】查找所有节点【7.4】查找子节点【7.5】查找父节点【7.6】属性匹配【7.7】文本获取【7.8】属性获取【7.9】一个属性包含多个值的匹配【7.10】多个属性匹配一个节点【7.11】按顺序选择节点【7.12】节点轴选择【7.1】关于 lxml
lxml 是 Python 的一个解析库,支持 HTML 和 XML 的解析,支持 XPath 解析方式,解析效率非常高,使用前需要用命令pip3 install lxml
安装 lxml 库
【7.2】使用 XPath
XPath(XML Path Language)即 XML 路径语言, lxml 解析库使用的正是 XPath 语法,最初是用来搜寻 XML 文档的,是一门在 XML 文档中查找信息的语言,它同样适用于 HTML 文档的搜索
XPath 常用规则
浏览器插件 XPath Helper,在线验证 XPath,谷歌商店下载地址:/webstore/detail/hgimnogjllphhhkhlmebbmlgjoejdpjl
XPath 基本使用方法:首先使用代码from lxml import etree
导入库,然后将 HTML 文档变成一个对象,再调用对象的方法去查找指定的节点,方法有两种:tree = etree.parse()
为本地文件查找,tree = etree.HTML()
为网络文件查找,再使用语句tree.xpath()
查找指定节点。
【7.3】查找所有节点
新建一个 xpath.html 本地文件,内容如下:
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8" /><title>xpath测试</title></head><body><div class="song">火药<b>指南针</b><b>印刷术</b>造纸术</div><div class="tang"><ul><li class="balove">停车坐爱枫林晚,霜叶红于二月花。</li><li id="hua">商女不知亡国恨,隔江犹唱后庭花。</li><li class="love" name="yang">一骑红尘妃子笑,无人知是荔枝来。</li><li id="bei">葡萄美酒夜光杯,欲饮琵琶马上催。</li><li><a href="/">百度一下</a> </li></ul><ol><li class="balucy">寻寻觅觅冷冷清清,凄凄惨惨戚戚。</li><li class="lily">咋暖还寒时候,最难将息。</li><li class="lilei">三杯两盏淡酒。</li><li>怎敌他晚来风急。</li><li>雁过也,正伤心,却是旧时相识。</li><li>爱情三十六计</li><li>什么是爱情</li></ol></div></body></html>
查找所有节点:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//*')print(result)
使用*
代表匹配所有节点,整个 xpath.html 文件中的所有节点都会被获取到,返回形式是一个列表,每个元素是 Element 类型,其后跟了节点的名称,如 html、body、div、ul、li、a 等,所有节点都包含在列表中,输出结果如下:
[<Element html at 0x1a836a34508>, <Element head at 0x1a836a344c8>, <Element meta at 0x1a836a345c8>, <Element title at 0x1a836a34608>, <Element body at 0x1a836a34648>, <Element div at 0x1a836a346c8>, <Element b at 0x1a836a34708>, <Element b at 0x1a836a34748>, <Element div at 0x1a836a34788>, <Element ul at 0x1a836a34688>, <Element li at 0x1a836a347c8>, <Element li at 0x1a836a34808>, <Element li at 0x1a836a34848>, <Element li at 0x1a836a34888>, <Element li at 0x1a836a348c8>, <Element a at 0x1a836a34908>, <Element ol at 0x1a836a34948>, <Element li at 0x1a836a34988>, <Element li at 0x1a836a349c8>, <Element li at 0x1a836a34a08>, <Element li at 0x1a836a34a48>, <Element li at 0x1a836a34a88>, <Element li at 0x1a836a34ac8>, <Element li at 0x1a836a34b08>]
【7.4】查找子节点
通过 / 或 // 即可查找元素的子节点或子孙节点:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ul/li')print(result)
选择 ul 节点的所有直接 li 子节点:
[<Element li at 0x2a094d044c8>, <Element li at 0x2a094d045c8>, <Element li at 0x2a094d04608>, <Element li at 0x2a094d04648>, <Element li at 0x2a094d04688>]
【7.5】查找父节点
知道了子节点,也可以用 … 或者 parent:: 查找其父节点
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ol/../@class')print(result)
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ol/parent::*/@class')print(result)
先查找到 ol 节点,随后获取其父节点以及其 class 属性:
['tang']
【7.6】属性匹配
有时候 HTML 包含多个相同名的节点,而节点的属性是不一样的,此时可以用 @ 符号进行属性过滤
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//li[@class="balucy"]')print(result)
xpath.html 文件中,只有一个 class 为 balucy 的节点:<li class="balucy">寻寻觅觅冷冷清清,凄凄惨惨戚戚。</li>
,运行以上代码将返回一个该元素:
[<Element li at 0x16e53aa54c8>]
【7.7】文本获取
使用 text() 方法即可提取节点中的文本:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//li[@class="balucy"]/text()')print(result)
输出结果:
['寻寻觅觅冷冷清清,凄凄惨惨戚戚。']
再次观察 xpath.html 文件中的<ol></ol>
这一部分:
<ol><li class="balucy">寻寻觅觅冷冷清清,凄凄惨惨戚戚。</li><li class="lily">咋暖还寒时候,最难将息。</li><li class="lilei">三杯两盏淡酒。</li><li>怎敌他晚来风急。</li><li>雁过也,正伤心,却是旧时相识。</li><li>爱情三十六计</li><li>什么是爱情</li></ol>
如果我们想要提取<li>
节点里面所有的文本,就可以使用html.xpath('//ol/li/text()')
语句:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ol/li/text()')print(result)
输出结果:
['寻寻觅觅冷冷清清,凄凄惨惨戚戚。', '咋暖还寒时候,最难将息。', '三杯两盏淡酒。', '怎敌他晚来风急。', '雁过也,正伤心,却是旧时相识。', '爱情三十六计', '什么是爱情']
同样还有另一种方法,使用html.xpath('//ol//text()')
语句,//
将会选取所有子孙节点的文本,<ol>
和<li>
节点下的换行符也将被提取出来:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ol//text()')print(result)
输出结果:
['\n ', '寻寻觅觅冷冷清清,凄凄惨惨戚戚。', '\n ', '咋暖还寒时候,最难将息。', '\n ', '三杯两盏淡酒。', '\n ', '怎敌他晚来风急。', '\n ', '雁过也,正伤心,却是旧时相识。', '\n ', '爱情三十六计', '\n ', '什么是爱情', '\n ']
【7.8】属性获取
与属性匹配一样,属性获取仍然使用 @:
from lxml import etreehtml = etree.parse('./xpath.html')result = html.xpath('//ul/li[5]/a/@href')print(result)
获取 href 属性:
['/']
【7.9】一个属性包含多个值的匹配
某个节点的某个属性可能有多个值,例如:
<li class="li li-first"><a href="link.html">first item</a></li>
li 节点的 class 属性有 li 和 li-first 两个值,如果使用html.xpath('//li[@class="li"]
语句,将无法成功匹配,这时就需要使用 contains 方法了,第一个参数传入属性名称,第二个参数传入属性值,只要此属性包含所传入的属性值,就可以完成匹配了
from lxml import etreetext = ''' <li class="li li-first"><a href="link.html">first item</a></li> '''html = etree.HTML(text)result = html.xpath('//li[contains(@class, "li")]/a/text()')print(result)
输出结果:
['first item']
【7.10】多个属性匹配一个节点
XPath 还可以根据多个属性来确定一个节点,这时就需要同时匹配多个属性。此时可以使用运算符 and 来连接:
from lxml import etreetext = ''' <li class="li" name="item"><a href="link.html">first item</a></li>'''html = etree.HTML(text)result = html.xpath('//li[@class="li" and @name="item"]/a/text()')print(result)
输出结果:
['first item']
示例中运用了运算符 and 来连接,此外常见的运算符如下:
【7.11】按顺序选择节点
某些属性可能同时匹配了多个节点,如果要选择其中几个节点,可以利用中括号传入索引的方法获取特定次序的节点
from lxml import etreetext = '''<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 = html.xpath('//li[1]/a/text()')print(result)result = html.xpath('//li[last()]/a/text()')print(result)result = html.xpath('//li[position()<3]/a/text()')print(result)result = html.xpath('//li[last()-2]/a/text()')print(result)
li[1]:选取第一个 li 节点;li[last()]:选取最后一个 li 节点;position()< 3:选取位置小于 3 的 li 节点;li[last()-2]:选取倒数第三个 li 节点
输出结果:
['first item']['fifth item']['first item', 'second item']['third item']
【7.12】节点轴选择
节点轴选择:获取子元素、兄弟元素、父元素、祖先元素等
from lxml import etreetext = '''<div><ul><li class="item-0"><a href="link1.html"><span>first item</span></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 = html.xpath('//li[1]/ancestor::*')print(result)result = html.xpath('//li[1]/ancestor::div')print(result)result = html.xpath('//li[1]/attribute::*')print(result)result = html.xpath('//li[1]/child::a[@href="link1.html"]')print(result)result = html.xpath('//li[1]/descendant::span')print(result)result = html.xpath('//li[1]/following::*[2]')print(result)result = html.xpath('//li[1]/following-sibling::*')print(result)
输出结果:
[<Element html at 0x1d3749e9548>, <Element body at 0x1d3749e94c8>, <Element div at 0x1d3749e9488>, <Element ul at 0x1d3749e9588>][<Element div at 0x1d3749e9488>]['item-0'][<Element a at 0x1d3749e9588>][<Element span at 0x1d3749e9488>][<Element a at 0x1d3749e9588>][<Element li at 0x1d3749e94c8>, <Element li at 0x1d3749e95c8>, <Element li at 0x1d3749e9608>, <Element li at 0x1d3749e9648>]
基本语法:轴名称::节点测试[谓语]
轴名称对应的结果:
实例: