Lxml库
Lxml库是基于libxml2的XML解析库的Python库,该模块使用C语言编写,解析速度比BeautifulSoup更快。
Lxml库使用Xpath语法解析定位网页数据。
1 安装与使用
windows系统下,在cmd命令提示框中,输入如下命令:
pip install lxml
2 lxml库的使用
2.1 修正HTML代码
lxml为xml解析库,但也很好的支持了HTML文档的解析功能;
```
from lxml import etree
text ='''
red flower
yellow flower
white flower
black flower
blue flower
# lxml库解析数据,为Element对象
html = etree.HTML(text)
print(html)
# lxml库解析可自动修正HTML
result = etree.tostring(html)
print(result)
```
自动修正HTML是一个非常实用的功能,保证HTML的标准性;
2.2 读取HTML文件
除了读取字符串,lxml库还支持从文件中提取内容;
`from lxml import etree
# 解析html文件
html = etree.parse('flower.html')
result = etree.tostring(html,pretty_print=True)
print(result)`
注意:HTML文件与代码文件在同一层是,用相对路径就可以进行读取;如果不在同一层,使用绝对路径即可。
2.3 解析HTML文件
完成了前面步骤,可利用requests库获取HTML文件,再用LXML库来解析HTML文件;
`from lxml import etree
import requests
res = requests.get('https://www.baidu.com')
html = etree.HTML(res.text)
result = etree.tostring(html,pretty_print=True)
print(result)`
3 性能对比
| 爬取方法 | 性能 | 使用难度 |安装难度
| 正则表达式 | 快 | 困难 |简单(内置模块)
| BeautifulSoup | 慢 | 简单 |简单
| Lxml | 快 | 简单 |简单