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()<4]：前三个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

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