1. 介绍
之前 BeautifulSoup 的用法,这个已经是非常强大的库了,不过还有一些比较流行的解析库,例如 lxml,使用的是 Xpath 语法,同样是效率比较高的解析方法。如果大家对 BeautifulSoup 使用不太习惯的话,可以尝试下 Xpath
官网 http://lxml.de/index.html
w3c http://www.w3school.com.cn/xpath/index.asp
2. 安装
pip install lxml
3. XPath语法
XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素,并且 XQuery 和 XPointer 都构建于 XPath 表达之上
3.1 节点的关系
- 父(Parent)
- 子(Children)
- 同胞(Sibling)
- 先辈(Ancestor)
- 后代(Descendant)
3.2 选取节点
3.2.1 常用的路径表达式
表达式描述nodename选取此节点的所有子节点/从根节点选取//从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置.选取当前节点..选取当前节点的父节点@选取属性
3.2.2 通配符
XPath 通配符可用来选取未知的 XML 元素。
通配符描述举例结果*匹配任何元素节点xpath('div/*')获取div下的所有子节点@*匹配任何属性节点xpath('div[@*]')选取所有带属性的div节点node()匹配任何类型的节点
3.2.3 选取若干路径
通过在路径表达式中使用“|”运算符,您可以选取若干个路径
表达式结果xpath('//div|
//table')获取所有的div与table节点
3.2.4 谓语
谓语被嵌在方括号内,用来查找某个特定的节点或包含某个制定的值的节点
表达式结果xpath('/body/div[1]')选取body下的第一个div节点xpath('/body/div[last()]')选取body下最后一个div节点xpath('/body/div[last()-1]')选取body下倒数第二个节点xpath('/body/div[positon()<3]')选取body下前丙个div节点xpath('/body/div[@class]')选取body下带有class属性的div节点xpath('/body/div[@class="main"]')选取body下class属性为main的div节点xpath('/body/div[price>35.00]')选取body下price元素大于35的div节点
3.2.5 XPath 运算符
运算符描述实例返回值计算两个节点集//book+加法6 + 410–减法6 – 42*乘法6 * 424div除法8 div 42=等于price=9.80如果 price 是 9.80,则返回 true。如果 price 是 9.90,则返回 false。!=不等于price!=9.80如果 price 是 9.90,则返回 true。如果 price 是 9.80,则返回 false。<小于price<9.80如果 price 是 9.00,则返回 true。如果 price 是 9.90,则返回 false。<=小于或等于price<=9.80如果 price 是 9.00,则返回 true。如果 price 是 9.90,则返回 false。>大于price>9.80如果 price 是 9.90,则返回 true。如果 price 是 9.80,则返回 false。>=大于或等于price>=9.80如果 price 是 9.90,则返回 true。如果 price 是 9.70,则返回 false。or或price=9.80 or price=9.70如果 price 是 9.80,则返回 true。如果 price 是 9.50,则返回 false。and与price>9.00 and price<9.90如果 price 是 9.80,则返回 true。如果 price 是 8.50,则返回 false。mod计算除法的余数5 mod 21
3.3 使用
3.3.1 小例子
from lxml import etree
text = '''
<div>
<ul>
<li><a href="link1.html">first item</a></li>
<li><a href="link2.html">second item</a></li>
<li><a href="link3.html">third item</a></li>
<li><a href="link4.html">fourth item</a></li>
<li><a href="link5.html">fifth item</a>
</ul>
</div>
'''
html = etree.HTML(text)
result = etree.tostring(html)
print(result)
首先我们使用 lxml 的 etree 库,然后利用 etree.HTML 初始化,然后我们将其打印出来。
其中,这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码,大家应该注意到了,最后一个 li 标签,其实我把尾标签删掉了,是不闭合的。不过,lxml 因为继承了 libxml2 的特性,具有自动修正 HTML 代码的功能。
所以输出结果是这样的
<html><body>
<div>
<ul>
<li><a href="link1.html">first item</a></li>
<li><a href="link2.html">second item</a></li>
<li><a href="link3.html">third item</a></li>
<li><a href="link4.html">fourth item</a></li>
<li><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>
不仅补全了 li 标签,还添加了 body,html 标签。 文件读取
除了直接读取字符串,还支持从文件读取内容。比如我们新建一个文件叫做 hello.html,内容为
<div>
<ul>
<li><a href="link1.html">first item</a></li>
<li><a href="link2.html">second item</a></li>
<li><a href="link3.html"><span>third item</span></a></li>
<li><a href="link4.html">fourth item</a></li>
<li><a href="link5.html">fifth item</a></li>
</ul>
</div>
利用 parse 方法来读取文件
from lxml import etree
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)
同样可以得到相同的结果
3.3.2 XPath具体使用
依然以上一段程序为例
- 获取所有的
<li>
标签
from lxml import etree
html = etree.parse('hello.html')
print (type(html))
result = html.xpath('//li')
print (result)
print (len(result))
print (type(result))
print (type(result[0]))
运行结果
<type 'lxml.etree._ElementTree'>
[<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>]
<type 'list'>
<type 'lxml.etree._Element'>
可见,etree.parse 的类型是 ElementTree,通过调用 xpath 以后,得到了一个列表,包含了 5 个 <li>
元素,每个元素都是 Element 类型
- 获取
<li>
标签的所有 class
result = html.xpath('//li/@class')
print (result)
运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
- 获取
<li>
标签下 href 为 link1.html 的<a>
标签
result = html.xpath('//li/a[@href="link1.html"]')
print (result)
运行结果
[<Element a at 0x10ffaae18>]
- 获取
<li>
标签下的所有<span>
标签
注意: 这么写是不对的
result = html.xpath('//li/span')
#因为 / 是用来获取子元素的,而 <span> 并不是 <li> 的子元素,所以,要用双斜杠
result = html.xpath('//li//span')
print(result)
运行结果
[<Element span at 0x10d698e18>]
- 获取
<li>
标签下的所有 class,不包括<li>
result = html.xpath('//li/a//@class')
print (resul)t
#运行结果
['blod']
- 获取最后一个
<li>
的<a>
的 href
result = html.xpath('//li[last()]/a/@href')
print (result)
运行结果
['link5.html']
- 获取倒数第二个元素的内容
result = html.xpath('//li[last()-1]/a') print (result[0].text)
运行结果
fourth item
- 获取 class 为 bold 的标签名
result = html.xpath('//*[@class="bold"]') print (result[0].tag)
运行结果
span
选择XML文件中节点:
- element(元素节点)
- attribute(属性节点)
- text (文本节点)
- concat(元素节点,元素节点)
- comment (注释节点)
- root (根节点)