爬虫---lxml简单操作

最新推荐文章于 2022-02-15 09:25:23 发布

weixin_30613727

最新推荐文章于 2022-02-15 09:25:23 发布

阅读量118

点赞数

文章标签：爬虫 python

原文链接：http://www.cnblogs.com/qican/p/11190832.html

版权

　　前几篇写了一些Beautiful Soup的一些简单操作，也拿出来了一些实例进行实践，今天引入一个新的python库lxmt，lxmt也可以完成数据的爬取哦

什么是lxml

lxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。

lxml学习文档：https://lxml.de/

什么是xpath

XPath相信大家都知道，在做自动化测试的时候有个定位方法就是xpath，对没错就是它；

XPath ，全称XML Path Language ，即XML 路径语言，它是一门在XML 文档中查找信息的语言。它最初是用来搜寻XML 文档的，但是它同样适用于HTML 文档的搜索。XPath的选择功能十分强大，它提供了非常简明的路径选择表达式，另外，它还提供了超过100个内建函数，用于字符串、数值、时间的匹配以及节点、序列的处理等，几乎所有我们想要定位的节点，都可以用XPath来选择；

XPath常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点
.	选取当前节点
..	选取当前节点的父节点
@	选取属性
*	通配符，选择所有元素节点与元素名
@*	选取所有属性
[@属性]	选取具有给定属性的所有元素
[@属性=‘value’]	选取给定属性具有给定值的所有元素

XPath学习文档：https://www.w3.org/TR/xpath/all/

lxml安装

windows安装

# lxmt安装
pip install lxml

#如果按照失败，可能缺少libxml2库信息，选择wheel进行安装
# https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应python版本的lxml版本

pip install 下载内容（lxml版本）

Liunx安装

# 通过pip安装
pip install lxml

lxml简单使用

<html>
<body>
<div>
<ul>
<li class="item-0"><a href="link1.html">今天天气</a></li>
<li class="item-1"><a href="link2.html">明天天气</a></li>
<li class="item-2"><a href="link3.html">后天天气</a></li>
<li class="item-3"><a href="link4.html">周末天气</a></li>
</ul>
</div>
</body>
</html>

通过上面简单的HTML简单了解下lxml.etree

使用lxml下的etree首先解析html内容，通过xpath进行找到对应的li标签内容

1、获取li所有节点

# 导入lxml
from lxml import etree
# 解析
html = etree.HTML(text)
result = html.xpath('//li')


代码结果：
[<Element li at 0x3a0a8c8>, <Element li at 0x3a0a888>, <Element li at 0x3a0a988>, <Element li at 0x3a0a9c8>]

这里可以看到是一个列表形式，其中每个元素都是一个element对象，如果要取出其中一个对象，可以直接通过下标

2、获取子节点

# 导入lxml
from lxml import etree
# 解析
html = etree.HTML(text)
# 查找li下的所有的a标签
result = html.xpath('//li/a')


代码结果：
[<Element li at 0x3a0a8c8>, <Element li at 0x3a0a888>, <Element li at 0x3a0a988>, <Element li at 0x3a0a9c8>]

3、获取li标签下的所有文字

# 导入lxml
from lxml import etree
# 解析
html = etree.HTML(text)
# 通过text()获取全部文字
result = html.xpath('//li/a/text()')


代码结果：
['今天天气', '明天天气', '后天天气', '周末天气']

4、属性获取

# 导入lxml
from lxml import etree
# 解析
html = etree.HTML(text)
# 通过@属性值获取对应属性
result = html.xpath('//li/a/@href')

代码结果：
['link1.html', 'link2.html', 'link3.html', 'link4.html']

转载于:https://www.cnblogs.com/qican/p/11190832.html

weixin_30613727

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
爬虫---lxml简单操作

　　前几篇写了一些Beautiful Soup的一些简单操作，也拿出来了一些实例进行实践，今天引入一个新的python库lxmt，lxmt也可以完成数据的爬取哦什么是lxmllxml是python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。lxml学习文档：https://lxml.de/什么是xpathXPat...
复制链接

扫一扫