lxml库
lxml是一个HTML/XML的解析器,主要的功能是解析和提取HTML/XML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,我们可以i利用之前学习的XPath语法,来快速的定位元素及节点信息。
lxml python官方文档:http://lxml.de/index.html
需要安装C语言库,可以使用pip安装:pip install lxml
基本使用:
我们可以利用它来解析HTML代码,并且在解析HTML代码的时候,如果HTML代码不规范,它会自动地进行补全,示例代码如下:
from lxml import etree
text="""
<div>
<ul>
<li class="item-0"><a href="link1.html">第一个</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0"><a href="link5.html">a属性</a></li>
</ul>
</div>
"""
htmlElement=etree.HTML(text)
print(etree.tostring(htmlElement,encoding='utf-8').decode('utf-8'))
结果如下:
<html><body><div>
<ul>
<li class="item-0"><a href="link1.html">第一个</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0"><a href="link5.html">a属性</a></li>
</ul>
</div>
</body></html>
从文件中读取html代码
使用lxml解析HTML代码
解析html字符串,使用'lxml.etree.HTML'进行解析,示例代码如下
htmlElement = etree.HTML(text)
print(etree.tostring(htmlElement,encoding='utf-8').decode('utf-8'))
解析html文件,使用'lxml.etree.parse'进行解析,示例代码如下:
htmlElement=etree.parse("tencent.html")
print(etree.tostring(htmlElement, encoding='utf-8').decode('utf-8'))
这个函数默认使用的是'XML'解析器,所以如果碰到一些不规范的'HTML'代码的时候就会解析错误,这时候就要自己创建'HTML'解析器。
parser=etree.HTMLParser(encoding='utf-8')
htmlElement=etree.parse("lagou.html",parser=parser)
print(etree.tostring(htmlElement, encoding='utf-8').decode('utf-8'))
lxml和xpath结合使用详解
from lxml import etree
# 1. 获取所有tr标签
# 2. 获取2个tr标签
# 3. 获取所有class等于even的标签
# 4. 获取所有a标签的href属性
# 5. 获取所有的职位信息(纯文本)
parser=etree.HTMLParser(encoding='utf-8')
html=etree.parse('tencent.html',parser=parser)
# 1. 获取所有tr标签
# //tr
trs=html.xpath("//tr")
for tr in trs:
print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))
# 2. 获取第2个tr标签
trs=html.xpath("//tr[2]")
print(trs)
''''''
# 3. 获取所有class等于even的标签
trs=html.xpath("//tr[@class='even']")
for tr in trs:
print(etree.tostring(tr,encoding='utf-8').decode('utf-8'))
# 4. 获取所有a标签的href属性
trs=html.xpath("//a/@href")
for tr in trs:
print(tr)
# 5. 获取所有的职位信息(纯文本)
trs=html.xpath("//tr[position()>1]")
for tr in trs:
#在某个标签下执行哦xpath()获取元素,注意加.表明在当前标签下获取
href=tr.xpath(".//a/@href")[0]
fullurl='http://hr.tencent.com'+ href
title=tr.path("./td[1]/text()")[0]
category=tr.path("./td[2]/text()")[0]
nums = tr.path("./td[3]/text()")[0]
address = tr.path("./td[4]/text()")[0]
pubtime = tr.path("./td[5]/text()")[0]
position={
'url': fullurl,
'title': title,
'category': category,
'nums':nums,
'address': address,
'pubtime': pubtime
}
使用"xpath"语法,应该使用"Element.xpath"
方法,来执行xpath的选择,示例代码入下:
trs=html.xpath("//tr[position()>1]")
"xpath"返回来的要永远是一个列表
获取文本,是通过xpath下的text()函数,示例代码如下:
address=tr.xpath("./td[4]/text()")[0]