背景
工作中需要解析html文件,正好知道lxml模块有这个功能,所以就用上了。不过是入门级别的使用,但大概也算对lxml模块的加深了一些了解。
lxml模块有很多功能,我目前主要用于处理xml和html。这个模块兼容大多数ElementTree API(python3中用于处理xml的模块),并且更加优秀。
个人认为,lxml的优势在于功能强大,提供很多API来完成各种任务。劣势就在于提供API太多,一般情况下是在一堆API选取几个来使用,所以想短时间内掌握这个模块是比较困难的。
例子
见GetXML对象中ReadHtml方法。
import xml.etree.ElementTree as ET
from lxml import etree
class GetXML:
'提供读取XML文件和读取值得一些方法'
def __init__(self):
pass
def Read(self,xmlfilename):
'将XML文件解析为树,并且得到根节点'
#tree = ET.ElementTree(file=xmlfilename)
tree = etree.parse(xmlfilename)
self.root = tree.getroot()
return self.root
def Iter(self):
'递归迭代xml文件中所有节点(包含子节点,以及子节点的子节点)'
return self.root.iter()
def FindAll(self,tag):
'查找节点为tag的所有直接子元素'
#直接子元素的意思:只会查找当前节点的子节点那一级目录
return self.root.findall(tag)
def Find(self,tag):
'查找第一个节点为tag的直接子元素'
return self.root.find(tag)
def ReadHtml(self,htmlfilename):
'解析html文件,返回一个支持xPath语法解析html的对象'
#创建自定义解析器
parser = etree.HTMLParser(encoding='GBK')
#解析html文件,返回一个<class 'lxml.etree._ElementTree'>对象
htmlelement = etree.parse(htmlfilename, parser = parser)
#返回一个一个字符串,包含html中的所有内容
html = etree.tostring(htmlelement, encoding='utf-8').decode('utf-8')
#生成一个支持xpath解析的对象
html = etree.HTML(html)
return html
该方法使用的接口都可以在官方文档里找到,具体的学习建议面对官方文档。
https://lxml.de/index.html
再贴一个入门的示例
最后
lxml模块是强大的,这里只是简单介绍了部分功能以及使用少量的几个API。强烈建议需要使用这个模块的同学,去官方文档中了解该模块的各个子模块中的各个API。因为API真的太多了~~~~