python3.5 lxml用法

问题1：有一个XML文件，如何解析
问题2：解析后，如果查找、定位某个标签
问题3：定位后如何操作标签，比如访问属性、文本内容等
本文就是按这三个问题组织的，文本中代码都在Python 3.5中运行通过。

开始之前，首先是导入模块，该库常用的XML处理功能都在lxml.etree中，可用下面的语句导入：

from lxml import etree
Element类

这一节回答问题3。

Element是XML处理的核心类，Element对象可以直观的理解为XML的节点，大部分XML节点的处理都是围绕该类进行的。这部分包括三个内容：节点的操作、节点属性的操作、节点内文本的操作。

节点操作

1、创建Element对象

直接使用Element方法，参数即节点名称。

root = etree.Element(‘root’)
print(root)

2、获取节点名称

使用tag属性，获取节点的名称。

print(root.tag)
root
3、输出XML内容

使用tostring方法输出XML内容（后文还会有补充介绍），参数为Element对象。

print(etree.tostring(root))
b’’
4、添加子节点

使用SubElement方法创建子节点，第一个参数为父节点（Element对象），第二个参数为子节点名称。

child1 = etree.SubElement(root, ‘child1’)
child2 = etree.SubElement(root, ‘child2’)
child3 = etree.SubElement(root, ‘child3’)
5、删除子节点

使用remove方法删除指定节点，参数为Element对象。clear方法清空所有节点。

root.remove(child1) # 删除指定子节点
print(etree.tostring(root))
b’’
root.clear() # 清除所有子节点
print(etree.tostring(root))
b’’
6、以列表的方式操作子节点

可以将Element对象的子节点视为列表进行各种操作：

child = root[0] # 下标访问
print(child.tag)
child1

print(len(root)) # 子节点数量
3

root.index(child2) # 获取索引号
1

for child in root: # 遍历
… print(child.tag)
child1
child2
child3

root.insert(0, etree.Element(‘child0’)) # 插入
start = root[:1] # 切片
end = root[-1:]

print(start[0].tag)
child0
print(end[0].tag)
child3

root.append( etree.Element(‘child4’) ) # 尾部添加
print(etree.tostring(root))
b’’
其实前面讲到的删除子节点的两个方法remove和clear也和列表相似。

7、获取父节点

使用getparent方法可以获取父节点。

print(child1.getparent().tag)
root
属性操作

属性是以key-value的方式存储的，就像字典一样。

1、创建属性

可以在创建Element对象时同步创建属性，第二个参数即为属性名和属性值：

root = etree.Element(‘root’, interesting=’totally’)
print(etree.tostring(root))
b’’
也可以使用set方法给已有的Element对象添加属性，两个参数分别为属性名和属性值：

root.set(‘hello’, ‘Huhu’)
print(etree.tostring(root))
b’’
2、获取属性

属性是以key-value的方式存储的，就像字典一样。直接看例子

get方法获得某一个属性值

print(root.get(‘interesting’))
totally

keys方法获取所有的属性名

sorted(root.keys())
[‘hello’, ‘interesting’]

items方法获取所有的键值对

for name, value in sorted(root.items()):
… print(‘%s = %r’ % (name, value))
hello = ‘Huhu’
interesting = ‘totally’
也可以用attrib属性一次拿到所有的属性及属性值存于字典中：

attributes = root.attrib
print(attributes)
{‘interesting’: ‘totally’, ‘hello’: ‘Huhu’}

attributes[‘good’] = ‘Bye’ # 字典的修改影响节点
print(root.get(‘good’))
Bye
文本操作

标签及标签的属性操作介绍完了，最后就剩下标签内的文本了。可以使用text和tail属性、或XPath的方式来访问文本内容。

1、text和tail属性

一般情况，可以用Element的text属性访问标签的文本。

root = etree.Element(‘root’)
root.text = ‘Hello, World!’
print(root.text)
Hello, World!
print(etree.tostring(root))
b’Hello, World!’
XML的标签一般是成对出现的，有开有关，但像HTML则可能出现单一的标签，比如下面这段代码中的
。

Text
Tail
Element类提供了tail属性支持单一标签的文本获取。

html = etree.Element(‘html’)
body = etree.SubElement(html, ‘body’)
body.text = ‘Text’
print(etree.tostring(html))
b’Text’

br = etree.SubElement(body, ‘br’)
print(etree.tostring(html))
b’Text
’

tail仅在该标签后面追加文本

br.tail = ‘Tail’
print(etree.tostring(br))
b’
Tail’

print(etree.tostring(html))
b’Text
Tail’

tostring方法增加method参数，过滤单一标签，输出全部文本

print(etree.tostring(html, method=’text’))
b’TextTail’
2、XPath方式

方式一：过滤单一标签，返回文本

print(html.xpath(‘string()’))
TextTail

方式二：返回列表，以单一标签为分隔

print(html.xpath(‘//text()’))
[‘Text’, ‘Tail’]
方法二获得的列表，每个元素都会带上它所属节点及文本类型信息，如下：

texts = html.xpath(‘//text()’))

print(texts[0])
Text

所属节点

parent = texts[0].getparent()
print(parent.tag)
body

print(texts[1], texts[1].getparent().tag)
Tail br

文本类型：是普通文本还是tail文本

print(texts[0].is_text)
True
print(texts[1].is_text)
False
print(texts[1].is_tail)
True
文件解析与输出

这一节回答问题1。

这部分讲述如何将XML文件解析为Element对象，以及如何将Element对象输出为XML文件。

1、文件解析

文件解析常用的有fromstring、XML和HTML三个方法。接受的参数都是字符串。

xml_data = ‘data’

fromstring方法

root1 = etree.fromstring(xml_data)
print(root1.tag)
root
print(etree.tostring(root1))
b’data’

XML方法，与fromstring方法基本一样

root2 = etree.XML(xml_data)
print(root2.tag)
root
print(etree.tostring(root2))
b’data’

HTML方法，如果没有和标签，会自动补上

root3 = etree.HTML(xml_data)
print(root3.tag)
html
print(etree.tostring(root3))
b’data’
2、输出

输出其实就是前面一直在用的tostring方法了，这里补充xml_declaration和encoding两个参数，前者是XML声明，后者是指定编码。

root = etree.XML(‘‘)

print(etree.tostring(root))
b’’

XML声明

print(etree.tostring(root, xml_declaration=True))
b”

指定编码

print(etree.tostring(root, encoding=’iso-8859-1’))
b”

查找第一个b标签

print(root.find(‘b’))
None
print(root.find(‘a’).tag)
a

查找所有b标签，返回Element对象组成的列表

[ b.tag for b in root.findall(‘.//b’) ]
[‘b’, ‘b’]

根据属性查询

print(root.findall(‘.//a[@x]’)[0].tag)
a
print(root.findall(‘.//a[@y]’))
[]
参考：

lxml官方文档：http://lxml.de/tutorial.html
XPath语法：http://www.w3school.com.cn/xpath/xpath_syntax.asp