lxml：底层C语言实现、高效地处理html

介绍

  lxml也是一个用于筛选指定html内容的模块，pyquery就是基于lxml。 使用lxml主要需要了解xpath

---

xpath语法

/：在子节点里面找//：在子子孙孙节点里面找//div：查找当前网页的所有div标签//div/p：先找到所有的div标签，再从div的字标签中找p标签//div//p：先找到所有的div标签，再从div的子孙标签中找p标签//div/a：先查找所有div标签，再从div的子标签中找a标签//div/a[@id]：先查找所有div标签，再从div的子标签中找有id属性的a标签//div//a[@id='fuck']：先查找所有div标签，再从div的子孙标签中找有id='fuck'的a标签//div/a[1]：先查找所有的div标签，再找div的子标签中的第一个a标签，这里的索引是从1开始的，不是0//div/a[last()]：和上面一样，不过这里是最后一个a标签//div/a[position()<3]：前两个a标签//div/a[@price]：拥有price属性的a标签//div/a[@price=10]：拥有price属性，并且值等于10的a标签。当然里面还支持>,<,>=,<=等等**//div/*：星号表示通配符，选取所有div的子标签**//div/a[@*]：选取所有div的子标签中带有属性的a标签，什么属性都可以，id、class、href等等都可以//div/a | //div/p：选取所有的div的子标签中的所有a元素和p元素//div/a[contains(@class, "BDE")]：找出所有div的子标签中的class属性包含"BDE"的a标签//div/a[starts-with(@class, "BDE")]：找出所有div的子标签中的class属性以"BDE"开头的a标签//div/a[contains(@href, "mashiro")]：找出所有div的子标签中的class属性包含"mashiro"的a标签//a/@href：获取href属性//a/@class：获取class属性//a/text()：获取文本//a[contains(text(), "清纯可爱")]：找出文本包含"清纯可爱"的a标签   我们可能注意到：@href、@class、text()前面只有一个/，如果是两个/的话，比如div标签，它里面是没有href属性的。但是div里面有a标签，a标签里面有href属性，所以我们仍然可以通过//div//@href去获取，此时获取的是里面的a标签里面的href，但是//div/@href是获取不到的，因为//div/@href表示的是获取div标签里面的href，而div没有href属性。 因此如果是/@href，那么前面必须是有href属性的标签，否则获取不到。但如果是//@href的话，前面的标签就没有太多要求了，可以是p标签，也可以是div标签，只要里面有具有href属性的标签即可

---

使用lxml

python from lxml import etree import requests res = requests.get("http://www.baidu.com", headers={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"}) res.encoding = res.apparent_encoding # 调用etree内部的HTML方法，将html文本传进去，便得到一个可以进行xpath的对象 # 我们可以调用etree.tostring(html)，会得到一个字节对象，再解码会得到字符串，这里就不演示了。 html = etree.HTML(res.text) # 找出class属性等于"toindex"的a标签 result = html.xpath("//a[@class='toindex']") for res in result: # 打印的结果是一个标签 print(res) # <Element a at 0x1b2cb5cecc8> # 可以调用tostring转成字节 print(etree.tostring(res)) # b'<a class="toindex" href="/">百度首页</a>' print(str(etree.tostring(res), encoding="utf-8")) # <a class="toindex" href="/">百度首页</a> # 内部还有一个etree.parse()方法，可以直接传入html文件或者xml文件的路径，进行解析 # 获取一下内部属性 result = html.xpath("//a[@class='toindex']/@href") # 由于标签只有一个，所以列表里面只有一个元素 print(result) # ['/'] result = html.xpath("//a[@class='toindex']/@class") print(result) # ['toindex'] result = html.xpath("//a[@class='toindex']/text()") print(result) # ['百度首页'] # 可以看到此时的result又都不是标签了，这是为什么？ # 如果我们不选择href、class等具体属性的话，那么得到的是一个标签，如果选择属性那么得到是字符串 # 因为不止一个标签，所以会将所有的字符串组合成一个列表 # 即便只有一个元素，得到依旧是一个列表 result = html.xpath("//div[contains(@class, 'tab_inner')]") # 现在获取的result里面只有一个元素 for res in result: print(res) # <Element div at 0x2644f88> print(etree.tostring(res)) # b'<div class="s_tab_inner">\n <b>网页</b>\n <a href=。。。。。。 # 我们看到了，如果不是获取href、class、text等属性的时候，得到的依旧是一个Element对象，这就意味着我们可以继续使用xpath titles = res.xpath(".//a/text()") # 注意这里是.//不是//，因为我们要在当前元素的子孙中去查找 print(titles) # ['资讯', '贴吧', '知道', '音乐', '图片', '视频', '地图', '文库', '更多»'] # 我们试试不加. titles = res.xpath("//a/text()") # 可以看到内容就多了，因为即便是res.xpath，但指定//的话依旧会在全局html页面中查找 print(titles) """ # ['手写', '拼音', '关闭', '百度首页', '设置', '登录', '新闻', 'hao123', '地图', '视频', '贴吧', '学术', '登录', '设置', '更多产品', '资讯', '贴吧', '知道', '音乐', '图片', '视频', '地图', '文库', '更多»', '把百度设为主页', '关于百度', 'About\xa0\xa0Baidu', '百度推广', '使用百度前必读', '意见反馈', '京公网安备11000002000001号'] """ # 进一步证实了两者结果是一样的 print(res.xpath("//a/text()") == html.xpath("//a/text()")) # True

转载于:https://www.cnblogs.com/valorchang/p/11395423.html