python3解析库lxml的安装与基本使用
前言
在爬虫的学习中,我们爬取网页信息之后就是对信息项匹配,这个时候一般是使用正则。但是在使用中发现正则写的不好的时候不能精确匹配(这其实是自己的问题!)所以就找啊找。想到了可以通过标签来进行精确匹配岂不是比正则要快。所以找到了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
XPath,全称XMLPathLanguage,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于1999年11月16日成为W3C标准,它被设计为供XSLT、XPointer以及其他XML解析软件使用,更多的文档可以访问其官方网站:https://www.w3.org/TR/xpath/
1、python库lxml的安装
windows系统下的安装:
#pip安装 pip3installlxml #wheel安装 #下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml pip3installlxml-4.2.1-cp36-cp36m-win_amd64.whl
linux下安装:
yuminstall-yepel-releaselibxslt-devellibxml2-developenssl-devel pip3installlxml
验证安装:
$python3 >>>importlxml
2、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
[@attrib]
选取具有给定属性的所有元素
[@attrib='value']
选取给定属性具有给定值的所有元素
[tag]
选取所有具有指定元素的直接子节点
[tag='text']
选取所有具有指定元素并且文本内容是text节点
(1)读取文本解析节点
fromlxmlimportetree text='''''' html=etree.HTML(text)#初始化生成一个XPath解析对象 result=etree.tostring(html,encoding='utf-8')#解析对象输出代码 print(type(html)) print(type(result)) print(result.decode('utf-8')) #etree会修复HTML文本节点
第一个 seconditem a属性
第一个 seconditem a属性
(2)读取HTML文件进行解析
fromlxmlimportetree html=etree.parse('test.html',etree.HTMLParser())#指定解析器HTMLParser会根据文件修复HTML文件中缺失的如声明信息 result=etree.tostring(html)#解析成字节 #result=etree.tostringlist(html)#解析成列表 print(type(html)) print(type(result)) print(result) #b'\n \n\n'\n
\nfirstitem \n seconditem \n thirditem \n fourthitem \n fifthitem \n
(3)获取所有节点
返回一个列表每个元素都是Element类型,所有节点都包含在其中
fromlxmlimportetree html=etree.parse('test',etree.HTMLParser()) result=html.xpath('//*')#//代表获取子孙节点,*代表获取所有 print(type(html)) print(type(result)) print(result) #[ , , , , , , , , , , , , , ]
如要获取li节点,可以使用//后面加上节点名称,然后调用xpath()方法
html.xpath('//li')#获取所有子孙节点的li节点
(4)获取子节点
通过/或者//即可查找元素的子节点或者子孙节点,如果想选择li节点的所有直接a节点,可以这样使用
result=html.xpath('//li/a')#通过追加/a选择所有li节点的所有直接a节点,因为//li用于选中所有li节点,/a用于选中li节点的所有直接子节点a
(5)获取父节点
我们知道通过连续的/或者//可以查找子节点或子孙节点,那么要查找父节点可以使用..来实现也可以使用parent::来获取父节点
fromlxmlimportetree fromlxml.etreeimportHTMLParser text='''''' html=etree.HTML(text,etree.HTMLParser()) result=html.xpath('//a[@href="link2.html"]/../@class') result1=html.xpath('//a[@href="link2.html"]/parent::*/@class') print(result) print(result1) # ['item-1'] ['item-1']
第一个 seconditem
(6)属性匹配
在选取的时候,我们还可以用@符号进行属性过滤。比如,这里如果要选取class为item-1的li节点,可以这样实现:
fromlxmlimportetree fromlxml.etreeimportHTMLParser text='''''' html=etree.HTML(text,etree.HTMLParser()) result=html.xpath('//li[@class="item-1"]') print(result)
第一个 seconditem
(7)文本获取
我们用XPath中的text()方法获取节点中的文本
fromlxmlimportetree text='''''' html=etree.HTML(text,etree.HTMLParser()) result=html.xpath('//li[@class="item-1"]/a/text()')#获取a节点下的内容 result1=html.xpath('//li[@class="item-1"]//text()')#获取li下所有子孙节点的内容 print(result) print(result1)
第一个 seconditem
(8)属性获取
使用@符号即可获取节点的属性,如下:获取所有li节点下所有a节点的href属性
result=html.xpath('//li/a/@href')#获取a的href属性 result=html.xpath('//li//@href')#获取所有li子孙节点的href属性
(9)属性多值匹配
如果某个属性的值有多个时,我们可以使用contains()函数来获取
fromlxmlimportetree text1='''''' html=etree.HTML(text1,etree.HTMLParser()) result=html.xpath('//li[@class="aaa"]/a/text()') result1=html.xpath('//li[contains(@class,"aaa")]/a/text()') print(result) print(result1) #通过第一种方法没有取到值,通过contains()就能精确匹配到节点了 [] ['第一个']
第一个 seconditem
(10)多属性匹配
另外我们还可能遇到一种情况,那就是根据多个属性确定一个节点,这时就需要同时匹配多个属性,此时可用运用and运算符来连接使用:
fromlxmlimportetree text1='''''' html=etree.HTML(text1,etree.HTMLParser()) result=html.xpath('//li[@class="aaa"and@name="fore"]/a/text()') result1=html.xpath('//li[contains(@class,"aaa")and@name="fore"]/a/text()') print(result) print(result1) # ['seconditem'] ['seconditem']
第一个 seconditem
(11)XPath中的运算符
or
运算符
描述
实例
返回值
或
age=19orage=20
如果age等于19或者等于20则返回true反正返回false
and
与
age>19andage<21
如果age等于20则返回true,否则返回false
mod
取余
5mod2
1
|
取两个节点的集合
//book|//cd
返回所有拥有book和cd元素的节点集合
+
加
6+4
10
-
减
6-4
2
*
乘
6*4
24
div
除法
8div4
2
=
等于
age=19
true
!=
不等于
age!=19
true
<
小于
age<19
true
<=
小于或等于
age<=19
true
>
大于
age>19
true
>=
大于或等于
age>=19
true
此表参考来源:http://www.w3school.com.cn/xpath/xpath_operators.asp
(12)按序选择
有时候,我们在选择的时候某些属性可能同时匹配多个节点,但我们只想要其中的某个节点,如第二个节点或者最后一个节点,这时可以利用中括号引入索引的方法获取特定次序的节点:
fromlxmlimportetree text1='''''' html=etree.HTML(text1,etree.HTMLParser()) result=html.xpath('//li[contains(@class,"aaa")]/a/text()')#获取所有li节点下a节点的内容 result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()')#获取第一个 result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()')#获取最后一个 result3=html.xpath('//li[position()>2andposition()<4][contains(@class,"aaa")]/a/text()')#获取第一个 result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()')#获取倒数第三个 print(result) print(result1) print(result2) print(result3) print(result4) # ['第一个','第二个','第三个','第四个'] ['第一个'] ['第四个'] ['第三个'] ['第二个']
第一个 第二个 第三个 第四个
这里使用了last()、position()函数,在XPath中,提供了100多个函数,包括存取、数值、字符串、逻辑、节点、序列等处理功能,它们的具体作用可参考:http://www.w3school.com.cn/xpath/xpath_functions.asp
(13)节点轴选择
XPath提供了很多节点选择方法,包括获取子元素、兄弟元素、父元素、祖先元素等,示例如下:
fromlxmlimportetree text1='''''' html=etree.HTML(text1,etree.HTMLParser()) result=html.xpath('//li[1]/ancestor::*')#获取所有祖先节点 result1=html.xpath('//li[1]/ancestor::div')#获取div祖先节点 result2=html.xpath('//li[1]/attribute::*')#获取所有属性值 result3=html.xpath('//li[1]/child::*')#获取所有直接子节点 result4=html.xpath('//li[1]/descendant::a')#获取所有子孙节点的a节点 result5=html.xpath('//li[1]/following::*')#获取当前子节之后的所有节点 result6=html.xpath('//li[1]/following-sibling::*')#获取当前节点的所有同级节点 # [
第一个 第二个 第三个 第四个 , , , ] [ ] ['aaa','item'] [ ] [ ] [ , , , , , ] [ , , ]
以上使用的是XPath轴的用法,更多轴的用法可参考:http://www.w3school.com.cn/xpath/xpath_axes.asp
(14)案例应用:抓取TIOBE指数前20名排行开发语言
#!/usr/bin/envpython #coding:utf-8 importrequests fromrequests.exceptionsimportRequestException fromlxmlimportetree fromlxml.etreeimportParseError importjson defone_to_page(html): headers={ 'user-agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/67.0.3396.62Safari/537.36' } try: response=requests.get(html,headers=headers) body=response.text#获取网页内容 exceptRequestExceptionase: print('requestiserror!',e) try: html=etree.HTML(body,etree.HTMLParser())#解析HTML文本内容 result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()')#获取列表数据 pos=0 foriinrange(20): ifi==0: yieldresult[i:5] else: yieldresult[pos:pos+5]#返回排名生成器数据 pos+=5 exceptParseErrorase: print(e.position) defwrite_file(data):#将数据重新组合成字典写入文件并输出 foriindata: sul={ '2018年6月排行':i[0], '2017年6排行':i[1], '开发语言':i[2], '评级':i[3], '变化率':i[4] } withopen('test.txt','a',encoding='utf-8')asf: f.write(json.dumps(sul,ensure_ascii=False)+'\n')#必须格式化数据 f.close() print(sul) returnNone defmain(): url='https://www.tiobe.com/tiobe-index/' data=one_to_page(url) revaule=write_file(data) ifrevaule==None: print('ok') if__name__=='__main__': main() # {'2018年6月排行':'1','2017年6排行':'1','开发语言':'Java','评级':'15.368%','变化率':'+0.88%'} {'2018年6月排行':'2','2017年6排行':'2','开发语言':'C','评级':'14.936%','变化率':'+8.09%'} {'2018年6月排行':'3','2017年6排行':'3','开发语言':'C++','评级':'8.337%','变化率':'+2.61%'} {'2018年6月排行':'4','2017年6排行':'4','开发语言':'Python','评级':'5.761%','变化率':'+1.43%'} {'2018年6月排行':'5','2017年6排行':'5','开发语言':'C#','评级':'4.314%','变化率':'+0.78%'} {'2018年6月排行':'6','2017年6排行':'6','开发语言':'VisualBasic.NET','评级':'3.762%','变化率':'+0.65%'} {'2018年6月排行':'7','2017年6排行':'8','开发语言':'PHP','评级':'2.881%','变化率':'+0.11%'} {'2018年6月排行':'8','2017年6排行':'7','开发语言':'JavaScript','评级':'2.495%','变化率':'-0.53%'} {'2018年6月排行':'9','2017年6排行':'-','开发语言':'SQL','评级':'2.339%','变化率':'+2.34%'} {'2018年6月排行':'10','2017年6排行':'14','开发语言':'R','评级':'1.452%','变化率':'-0.70%'} {'2018年6月排行':'11','2017年6排行':'11','开发语言':'Ruby','评级':'1.253%','变化率':'-0.97%'} {'2018年6月排行':'12','2017年6排行':'18','开发语言':'Objective-C','评级':'1.181%','变化率':'-0.78%'} {'2018年6月排行':'13','2017年6排行':'16','开发语言':'VisualBasic','评级':'1.154%','变化率':'-0.86%'} {'2018年6月排行':'14','2017年6排行':'9','开发语言':'Perl','评级':'1.147%','变化率':'-1.16%'} {'2018年6月排行':'15','2017年6排行':'12','开发语言':'Swift','评级':'1.145%','变化率':'-1.06%'} {'2018年6月排行':'16','2017年6排行':'10','开发语言':'Assemblylanguage','评级':'0.915%','变化率':'-1.34%'} {'2018年6月排行':'17','2017年6排行':'17','开发语言':'MATLAB','评级':'0.894%','变化率':'-1.10%'} {'2018年6月排行':'18','2017年6排行':'15','开发语言':'Go','评级':'0.879%','变化率':'-1.17%'} {'2018年6月排行':'19','2017年6排行':'13','开发语言':'Delphi/ObjectPascal','评级':'0.875%','变化率':'-1.28%'} {'2018年6月排行':'20','2017年6排行':'20','开发语言':'PL/SQL','评级':'0.848%','变化率':'-0.72%'}
XPath的更多用法参考:http://www.w3school.com.cn/xpath/index.asp
pythonlxml库的更多用法参考:http://lxml.de/
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对毛票票的支持。