Python lxml库的安装和使用

安装lxml库
lxml 属于 Python 第三方库，因此需要使用如下方法安装：
pip3 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。

import lxml

lxml使用流程
lxml 库提供了一个 etree 模块，该模块专门用来解析 HTML/XML 文档，下面我们简单介绍一下 lxml 库的使用流程，如下所示：

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。如下所示：
   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。示例如下：
   from lxml import etree
   html_str = ‘’’

• Python
• Java
• C语言中文网
• 百度
• 京东

''' html = etree.HTML(html_str) # tostring()将标签元素转换为字符串输出，注意：result为字节类型 result = etree.tostring(html) print(result.decode('utf-8')) 输出结果如下：

• Python
• Java
• C语言中文网
• 百度
• 京东

上述 HTML 字符串存在缺少标签的情况，比如“C语言中文网”缺少一个 闭合标签，当使用了 HTML() 方法后，会将其自动转换为符合规范的 HTML 文档格式。 3) 调用xpath表达式 最后使用第二步创建的解析对象调用 xpath() 方法，完成数据的提取，如下所示： r_list = parse_html.xpath('xpath表达式') 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) 输出结果： ['website product', '编程', '微博', '百度贴吧', '天猫淘宝', '京东购物', '编程', '安全卫士', '视频娱乐', '年轻娱乐', '搜索引擎'] 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) 输出结果： ['http://www.biancheng.net/product/', 'http://www.biancheng.net/', 'http://world.sina.com/', 'http://www.baidu.com', 'http://www.taobao.com', 'http://www.jd.com/', 'http://c.bianchneg.net/', 'http://www.360.com', 'http://www.bytesjump.com/', 'http://bzhan.com/', 'http://hao123.com/'] 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)