python爬虫系列

2024-06-01 05:59| 来源: 网络整理| 查看: 265

lxml：python 的HTML/XML的解析器

官网文档：https://lxml.de/

使用前，需要安装安 lxml 包

功能：

1.解析HTML：使用 etree.HTML(text) 将字符串格式的 html 片段解析成 html 文档

2.读取xml文件

3.etree和XPath 配合使用

lxml-etree的使用：加载本地中的html etree.HTML(text)使用 from lxml import etree text = ''' 01 02 03 04 05 06 07 ''' html = etree.HTML(text) # 将字符串格式的文件转化为html文档 print(html) #==> 表明这是一个html文档 str = etree.tostring(html).decode() # 将html文档转化为二进制的字符串格式 print(str) # ==> 输出上面text中的内容

这里首先导入lxml库的etree模块，然后声明了一段HTML文本，调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。这里需要注意的是，HTML文本中的最后一个li节点是没有闭合的，但是etree.HTML模块可以自动修正HTML文本。会补全html信息。这里我们调用tostring()方法即可输出修正后的HTML代码，但是结果是bytes类型。这里利用decode()方法将其转成str类型，结果如下在这里插入图片描述

etree.parse() from lxml import etree html01 = etree.parse('demo01.html', etree.HTMLParser()) # demo01.html是和当前py文件同级的文件 print(html01) #⇒ 返回一个节点树 result = etree.tostring(html01) print(result.decode('utf-8')) # ==> 输出demo01.html中的内容 # lxml-etree读取文件 from lxml import etree html = etree.parse('demo01.html', etree.HTMLParser()) print(type(html)) # 返回节点树 # 查找所有 li 节点 rst = html.xpath('//li') #//代表在任意路径下查找节点为li的所有元素 print(type(rst)) # ==> print(rst) # ==> [, , ] 找到的所有符合元素的li节点 # 查找li下带有 class 属性值为 one 的元素 rst2 = html.xpath('//li[@class="one"]') print(type(rst2)) # ==> print(rst2) # ==>[] # 查找li带有class属性,值为two的元素,下的div元素下的a元素 rst3 = html.xpath('//li[@class="two"]/div/a') # rst3 = rst3[0] #选中res3列表中的第一个元素 print('-------------\n',type(rst3)) # ==> print(rst3.tag) # ==>输出res3的标签名 print(rst3.text) # ==> 输出res3中的文本内容 etree和XPath 配合使用 # lxml-etree读取文件 from lxml import etree html = etree.parse('demo01.html', etree.HTMLParser()) print(type(html)) # 返回节点树 # 查找所有 li 节点 rst = html.xpath('//li') #//代表在任意路径下查找节点为li的所有元素 print(type(rst)) # ==> print(rst) # ==> [, , ] 找到的所有符合元素的li节点 # 查找li下带有 class 属性值为 one 的元素 rst2 = html.xpath('//li[@class="one"]') print(type(rst2)) # ==> print(rst2) # ==>[] # 查找li带有class属性,值为two的元素,下的div元素下的a元素 rst3 = html.xpath('//li[@class="two"]/div/a') # rst3 = rst3[0] #选中res3列表中的第一个元素 print('-------------\n',type(rst3)) # ==> print(rst3.tag) # ==>输出res3的标签名 print(rst3.text) # ==> 输出res3中的文本内容 xpath的基本使用

XPath 是一门在 XML/HTML 文档中查找信息的语言。XPath 可用来在 XML /HTML文档中对元素和属性进行遍历。

lxml-etree读取文件 1.获取某个标签中的具体内容方法一：直接写到a标签 html = etree.HTML(wb_data) html_data = html.xpath('//li/a') print(html) # html文档也就是根节点 print(html_data) #[, , , , ] 选取的元素节点 for i in html_data: print(i.text) # 通过i.text输出具体内容方法二：在写xpath时候直接在路径后面跟/text() html = etree.HTML(wb_data) html_data = html.xpath('//li/a/text()') print(html_data)# ['first item', 'second item', 'third item', 'fourth item', 'fifth item'] for i in html_data: print(i) 2. 打开读取html文件 psrse html = etree.parse('demo01.html',etree.HTMLParser()) # 拿到整个html文档也就是节点树 # print(html) res = html.xpath('//li') # [, , ] # print(res[0].text) # 1 输出文本 str = etree.tostring(html) #转化为二进制 str = str.decode('utf-8') # 解码 print(str) 3. 拿到某个标签属性的值 html = etree.HTML(wb_data) # 内部 html1 = etree.parse('demo01.html',etree.HTMLParser()) # 外部引入的文件 html_data = html1.xpath('//li/div/a/@href') for i in html_data: print(i) 4.我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。 5.绝对路径和相对路径的使用绝对路径一个斜杠开头从根开始查找（以下代码仅供示范，不保证正确性） html = etree.HTML(wb_data) abs_load = html.xpath('/html/body/p/ul/li/a[@href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" ]/text()') print(abs_load) 相对路径的使用 html = etree.HTML(wb_data) html_data = html.xpath('//a') print(html_data) for i in html_data: print(i) 实例取网站的某个具体元素的xpath的路径

打开控制台，选中具体的元素，右键找到copy----->Copy Xpath

自此，爬虫的lxml模块基本了解结束了，应该是对爬虫中的文件操作有了基本的认识了，文笔不好，请多包涵。有任何问题大家可以给我留言。共同探讨和进步。

【本文地址】

公司简介

联系我们