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 lxml.de/index.html

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。

  • | 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')

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

//cd

  • | 加法 | 6 + 4 | 10

– | 减法 | 6 – 4 | 2

  • | 乘法 | 6 * 4 | 24

div | 除法 | 8 div 4 | 2 = | 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 2 | 1

3.3 使用

3.3.1 小例子
from lxml import etree
text = '''
<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">third item</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>
</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 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">third item</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>

</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 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>

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

  1. 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

  1. 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']
  1. 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>]
  1. 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>]
  1. 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']
  1. 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']
  1. 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
  1. 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)