失眠网 > 21天Python学习——lxml库与Xpath提取网页数据

21天Python学习——lxml库与Xpath提取网页数据

时间：2020-11-03 03:17:08

活动地址：CSDN21天学习挑战赛

一、爬虫提取网页数据的流程图

图源:100天精通Python（爬虫篇）——第45天：lxml库与Xpath提取网页数据_无羡ღ的博客-CSDN博客_python爬取网页内容

二、lxml库

lxml是XML和HTML的解析器，其主要功能是解析和提取XML和HTML中的数据，是一款高性能的Python HTML、XML解析器，也可以利用Xpath语法，来定位特定的元素及节点信息。

1、下载

cmd 中输入 pip install lxml

2、解析HTML网页

主要用到lxml库中的etree类

案例1:

from lxml import etreetext = '''<html><body><div class="key"><div class="name">小浪</div><div class="age">23</div><div class="address">山东</div></div></body></html>'''#开始初始化html = etree.HTML(text) #这需要传入一个html形式的字符串print(html) #输出：<Element html at 0x1f77f541600>print(type(html)) #输出：<class 'lxml.etree._Element'>#将字符串序列化为html字符串result = etree.tostring(html).decode('utf-8')print(result)# 输出：#<html><body># <div class="key"># <div class="name">小浪</div># <div class="age">23</div># <div class="address">山东</div># </div>#</body></html>print(type(result)) #输出：<class 'str'>

三、XPath

Xpath(XML Path Language)是一们在XML文档中查找信息的语言，可以用来在XML文档中对元素和属性进行遍历。

常用路径表达式

用法举例：

谓语

选取未知节点

案例：

选取若干路径

四、Xpath实战

Chrome浏览器自带 Xpath Hepler可以很方便的获取标签路径。

1、新建一个test.html文件，且包括以下内容：

<div><ul><li class="item-0"><a href="link1.html">first item</a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a></li></ul></div>

2、获取操作

获取所有的"li标签"

from lxml import etreehtml = etree.parse('test.html')#输出etree.parse()返回的数据类型print(type(html)) #输出：<class 'lxml.etree._ElementTree'>result = html.xpath('//li')#打印<li>标签的元素集合print(result) #输出：[<Element li at 0x29ca2316c40>, <Element li at 0x29c93295a80>, <Element li at 0x29c932958c0>, <Element li at 0x29c932957c0>, <Element li at 0x29c9314fd80>]print(len(result)) #输出：5print(type(result)) #输出：<class 'list'>print(type(result[0])) #输出：<class 'lxml.etree._Element'>

获取“li标签”的所有class属性

from lxml import etreehtml = etree.parse('test.html')result = html.xpath('//li/@class')print(result)#输出：['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

获取“li标签”下的hre为link1.html的“a标签”

from lxml import etreehtml = etree.parse('test.html')result = html.xpath('//li/a[@href="link1.html"]')print(result)#输出：[<Element a at 0x26b4825df00>]

获取“li标签”下的所有“span标签”

from lxml import etreehtml = etree.parse('test.html')# result = html.xpath('//li/span')# 注意：这么写是不对的# 因为/用来获取子元素，而<span>不是<li>的子元素，所以用双斜杠result = html.xpath('//li//span')print(result)#输出：[<Element span at 0x1f71a379280>]