Python爬虫教程-22-lxml-etree和xpath配合使用

Python爬虫教程-22-lxml-etree和xpath配合使用

• lxml：python 的HTML/XML的解析器
• 官网文档：https://lxml.de/
• 使用前，需要安装安 lxml 包
• 功能：
  • 1.解析HTML：使用 etree.HTML(text) 将字符串格式的 html 片段解析成 html 文档
  • 2.读取xml文件
  • 3.etree和XPath 配合使用

lxml 的安装

• 【PyCharm】>【file】>【settings】>【Project Interpreter】>【+】 >【lxml】>【install】
• 具体操作截图：
  
  

lxml-etree 的使用

• 案例v25文件：https://xpwi.github.io/py/py爬虫/py25etree.py
• 用 lxml 来解析HTML代码

# 先安装lxml

# 用 lxml 来解析HTML代码

from lxml import etree

text = '''
<div>
    <ul>
        <li class="item-0"><a href="0.html">item 0 </a></li>
        <li class="item-1"><a href="1.html">item 1 </a></li>
        <li class="item-2"><a href="2.html">item 2 </a></li>
        <li class="item-3"><a href="3.html">item 3 </a></li>
        <li class="item-4"><a href="4.html">item 4 </a></li>
        <li class="item-5"><a href="5.html">item 5 </a></li>
    </ul>
</div>
'''

# 利用 etree.HTML 把字符串解析成 HTML 文件
html = etree.HTML(text)
s = etree.tostring(html).decode()

print(s)

运行结果

lxml-etree 的使用

• 案例v26etree2文件：https://xpwi.github.io/py/py爬虫/py26etree2.py
• 读取xml文件：

# lxml-etree读取文件
from lxml import etree

xml = etree.parse("./py24.xml")
sxml = etree.tostring(xml, pretty_print=True)

print(sxml)

运行结果

etree和XPath 配合使用

• 案例v26expath.文件：https://xpwi.github.io/py/py爬虫/py26expath.py
• etree和XPath 配合使用：

# lxml-etree读取文件
from lxml import etree

xml = etree.parse("./py24.xml")
print(type(xml))

# 查找所有 book 节点
rst = xml.xpath('//book')
print(type(rst))
print(rst)

# 查找带有 category 属性值为 sport 的元素
rst2 = xml.xpath('//book[@category="sport"]')

print(type(rst2))
print(rst2)

# 查找带有category属性值为sport的元素的book元素下到的year元素
rst3 = xml.xpath('//book[@category="sport"]/year')
rst3 = rst3[0]

print('-------------\n',type(rst3))
print(rst3.tag)
print(rst3.text)

运行结果

etree和XPath 配合使用结果

更多文章链接：Python 爬虫随笔

---

- 本笔记不允许任何个人和组织转载