python网络爬虫之LXML与HTMLParser

Python lxml包用于解析html和XML文件，个人觉得比beautifulsoup要更灵活些

Lxml中的路径表达式如下：

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

路径表示中还可以选取多个路径，使用’|’运算符，比如下面的样子：

//book/title | //book/price 选取 book 元素的所有 title 和 price 元素。

下面就来看下lxml的用法：还是用我们之前用过的网站，代码如下：

from lxml import etree

def parse_url_xml():
    try:
        req=urllib2.Request('http://www.xunsee.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/index.shtml')
        fd=urllib2.urlopen(req)
        html=etree.HTML(fd.read())
        result=html.xpath('//*[@id="content_1"]/span[7]/a')
        print type(result)
        for r in result:
            print r.text

    except BaseException,e:
        print e 

首先使用etree,然后利用etree.HTML()初始化。然后用xpath进行查找。其中xpath中的//*[@id="content_1"]/span[7]/a就是网页元素的xpath地址

从表达式中可以看到首先找到id属性为content_1的任意标签。//*表示不管位置，只管后面的属性满足即可。然后往下查找第7个span标签，找到下面a的标签。然后的result是一个列表。代表找到的所有的元素。通过遍历列表打印出内容。运行结果如下：

E:\python2.7.11\python.exe E:/py_prj/test.py

<type 'list'>

第7节

从上面可以看出，其实xpath还是很好写，相对beautifulsoup对元素的定位更加准确。其实如果嫌麻烦，不想写xpath，还有一个更简单的方法。在浏览器中按F12，在网页源代码中找到想定位的元素，然后鼠标右键，点击Copy Xpath就可以得到xpath路径

下面再多举几个例子：比如获取到最后一个span元素，可以用到下面的例子

result=html.xpath('//*[@id="content_1"]/span[last()]/a')

结果如下：

E:\python2.7.11\python.exe E:/py_prj/test.py

第657节

我们还可以精简刚才用到的//*[@id="content_1"]/span[7]/a

精简为：//*[@href="7.shtml"]表示直接查找属性为7.shtml的元素

如果想返回多个元素，则可以用下面的方式，表示反悔第7节和第8节

result=html.xpath('//*[@href="7.shtml"] | //*[@href="8.shtml"]')

如果想得到所找节点的属性值：可以用get的方法

result=html.xpath('//*[@href="7.shtml"] | //*[@href="8.shtml"]')
print type(result)
for r in result:
    print r.get('href')

结果就会显示节点href属性的值

E:\python2.7.11\python.exe E:/py_prj/test.py

<type 'list'>

7.shtml

8.shtml

下面介绍下HTMLParser的用法：

HTMLParser是python自带的网页解析工具，使用很简单。便于HTML文件的解析

下面我们来看相关代码：

class Newparser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.flag=False
        self.text=[]
    def handle_starttag(self,tag,attrs):
        if tag == 'span':
            self.flag=True
    def handle_data(self, data):
        if self.flag == True:
            print data
            self.text.append(data)
    def handle_endtag(self, tag):
        if tag == 'span':
            self.flag=False


if __name__=="__main__":
    parser=Newparser()
    try:
        req=urllib2.Request('http://www.xunsee.com/article/8c39f5a0-ca54-44d7-86cc-148eee4d6615/index.shtml')
        fd=urllib2.urlopen(req)
        parser.feed(fd.read())
        print parser.text

    except BaseException,e:
        print e

首先定义一个类继承自HTMLParser.在__init__函数中定义一些自己的参数。

parser.feed(fd.read()) 其中feed函数是类自带的函数。参数就是网页的HTML代码。其中feed相当于一个驱动函数。我们来看下feed函数的原型。下面是feed的实现。可以看到实现了2个功能。其中就是将传入的网页代码赋值给rawdata。然后运行goahead开始进行处理

def feed(self, data):
    r"""Feed data to the parser.

    Call this as often as you want, with as little or as much text
    as you want (may include '\n').
    """
    self.rawdata = self.rawdata + data
    self.goahead(0)

goahead函数代码过多，这里就不全部贴出来，具体功能就是遍历rawdata每行数据。然后根据的不同标识调用不同的函数。关键函数如下。可以看到当遇到’<’开始的时候。调用parse_startag，当遇到’</’调用parse_endtag

parse_startag里面实现handle_starttag，parse_endtag里面实现handle_endtag。

代码中的handle_starttag和handle_endtag是个空函数。只是传入了当前的tag以及attrs.这就给了我们重写此函数的机会

def handle_starttag(self, tag, attrs):
    pass

def handle_endtag(self, tag):
    pass

def handle_data(self, data):
    pass

其中hanle_data是处理网页代码中的具体数据

说了这么多，应该对HTMLParser的实现很清楚了。对每行网页代码进行处理。依次判断是否进入handle_starttag，handle_endtag，handle_data。HTMLParser为我们解析出了每行的tag,attrs以及data。我们通过重写这些函数提取我们需要的信息。那么回到我们的之前的代码，这个代码我们要实现的功能是将<span></span>的字段提取出来。

首先__init__定义了2个参数，flag以及text，flag初始值为False

def __init__(self):
    HTMLParser.__init__(self)
    self.flag=False
    self.text=[]

handle_starttag中实现只要tag=span,那么设置flag为True

def handle_starttag(self,tag,attrs):
    if tag == 'span':
        self.flag=True

handle_data中实现只要flag=True则提取出data数据并保存在text列表里面

def handle_data(self, data):
    if self.flag == True:
        print data
        self.text.append(data)

那么这个提取数据的动作在什么时候结束呢：这就要看handle_endtag了。同样的在遇到tag=span的时候，则设置flag=False。这样就不会提取data数据了，直到遇到下一个tag=span的时候。

def handle_endtag(self, tag):
    if tag == 'span':
        self.flag=False

这就是HTMLParser的全部功能。是不是比之前的Beautifulsoup以及lxml都感觉要简洁明了很多呢。对于不规范的网页，HTMLParser就比Beautifulsoup和lxml好使。下面列出所有的函数功能：

handle_startendtag  处理开始标签和结束标签
handle_starttag     处理开始标签，比如<xx>
handle_endtag       处理结束标签，比如</xx>
handle_charref      处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref    处理一些特殊字符，以&开头的，比如 &nbsp;
handle_data         处理数据，就是<xx>data</xx>中间的那些数据
handle_comment      处理注释
handle_decl         处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi           处理形如<?instruction>的东西

其他的实现都大同小异。从下一章开始将介绍scrapy的用法