目前有很多xml,html文档的parser,如标准库的xml.etree , beautifulsoup  ,  还有lxml. 都用下来感觉lxml不错,速度也还行,就他了.

围绕三个问题:

  • 问题1：有一个XML文件，如何解析
  • 问题2：解析后，如果查找、定位某个标签
  • 问题3：定位后如何操作标签，比如访问属性、文本内容等

这些操作应该算是比较基础的,参考教程中文版,官网更详细一点,进阶xpath语法,要在以后操作xml文件和html文件用上.

#!/usr/bin/python

# coding=utf-8

# __author__='dahu'

#

'''

Element是XML处理的核心类，

Element对象可以直观的理解为XML的节点，大部分XML节点的处理都是围绕该类进行的。

这部分包括三个内容：节点的操作、节点属性的操作、节点内文本的操作。

'''

from lxml import etree

# 1.创建element

root = etree.Element('root')

print root, root.tag

# 2.添加子节点

child1 = etree.SubElement(root, 'child1')

child2 = etree.SubElement(root, 'child2')

# 3.删除子节点

# root.remove(child2)

# 4.删除所有子节点

# root.clear()

# 5.以列表的方式操作子节点

print(len(root))

print root.index(child1)  # 索引号

root.insert(0, etree.Element('child3'))  # 按位置插入

root.append(etree.Element('child4'))  # 尾部添加

# 6.获取父节点

print(child1.getparent().tag)

# print root[0].getparent().tag   #用列表获取子节点,再获取父节点

'''以上都是节点操作'''

# 7.创建属性

# root.set('hello', 'dahu')   #set(属性名,属性值)

# root.set('hi', 'qing')

# 8.获取属性

# print(root.get('hello'))    #get方法

# print root.keys(),root.values(),root.items()    #参考字典的操作

# print root.attrib           #直接拿到属性存放的字典,节点的attrib,就是该节点的属性

'''以上是属性的操作'''

# 9.text和tail属性

# root.text = 'Hello, World!'

# print root.text

# 10.test,tail和text的结合

html = etree.Element('html')

html.text = 'html.text'

body = etree.SubElement(html, 'body')

body.text = 'wo ai ni'

child = etree.SubElement(body, 'child')

child.text='child.text' #一般情况下,如果一个节点的text没有内容,就只有</>符号,如果有内容,才会<>,</>都有

child.tail = 'tails'  # tail是在标签后面追加文本

print(etree.tostring(html))

# print(etree.tostring(html, method='text'))  # 只输出text和tail这种文本文档,输出的内容连在一起,不实用

#11.Xpath方式

# print(html.xpath('string()'))   #这个和上面的方法一样,只返回文本的text和tail

print(html.xpath('//text()'))   #这个比较好,按各个文本值存放在列表里面

tt=html.xpath('//text()')

print tt[0].getparent().tag     #这个可以,首先我可以找到存放每个节点的text的列表,然后我再根据text找相应的节点

# for i in tt:

#     print i,i.getparent().tag,'\t',

#12.判断文本类型

print tt[0].is_text,tt[-1].is_tail  #判断是普通text文本,还是tail文本

'''以上都是文本的操作'''

#13.字符串解析,fromstring方式

xml_data = '<html>html.text<body>wo ai ni<child>child.text</child>tails</body></html>'

root1=etree.fromstring(xml_data)    #fromstring,字面意思,直接来源字符串

# print root1.tag

# print etree.tostring(root1)

#14.xml方式

root2 = etree.XML(xml_data)     #和fromstring基本一样,

print etree.tostring(root2)

#15.文件类型解析

tree =etree.parse('text')   #文件解析成元素树

root3 = tree.getroot()      #获取元素树的根节点

print etree.tostring(root3,pretty_print=True)

parser= etree.XMLParser(remove_blank_text=True) #去除xml文件里的空行

root = etree.XML("<root>  <a/>   <b>  </b>     </root>",parser)

print etree.tostring(root)

#16.html方式

xml_data1='<root>data</root>'

root4 = etree.HTML(xml_data1)

print(etree.tostring(root4))#HTML方法，如果没有<html>和<body>标签，会自动补上

#注意,如果是需要补全的html格式:这样处理哦

with open("quotes-1.html",'r')as f:

    a=H.document_fromstring(f.read().decode("utf-8"))

for i in  a.xpath('//div[@class="quote"]/span[@class="text"]/text()'):

    print i

#17.输出内容,输出xml格式

print etree.tostring(root)

print(etree.tostring(root, xml_declaration=True,pretty_print=True,encoding='utf-8'))#指定xml声明和编码

'''以上是文件IO操作'''

#18.findall方法

root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>")

print(root.findall('a')[0].text)#findall操作返回列表

print(root.find('.//a').text)   #find操作就相当与找到了这个元素节点,返回匹配到的第一个元素

print(root.find('a').text)

print [ b.text for b in root.findall('.//a') ]    #配合列表解析,相当帅气!

print(root.findall('.//a[@x]')[0].tag)  #根据属性查询

'''以上是搜索和定位操作'''

print(etree.iselement(root))

print root[0] is root[1].getprevious()  #子节点之间的顺序

print root[1] is root[0].getnext()

'''其他技能'''

# 遍历元素数

root = etree.Element("root")

etree.SubElement(root, "child").text = "Child 1"

etree.SubElement(root, "child").text = "Child 2"

etree.SubElement(root, "another").text = "Child 3"

etree.SubElement(root[0], "childson").text = "son 1"

# for i in root.iter():   #深度遍历

# for i in root.iter('child'):    #只迭代目标值

#     print i.tag,i.text

# print etree.tostring(root,pretty_print=True)
												


											
python lxml教程的更多相关文章
	

    
								
  1. Python爬虫教程-25-数据提取-BeautifulSoup4（三）
		
    Python爬虫教程-25-数据提取-BeautifulSoup4(三) 本篇介绍 BeautifulSoup 中的 css 选择器 css 选择器 使用 soup.select 返回一个列表 通过标 ...
    
		
    2. 
						
  2. Python爬虫教程-24-数据提取-BeautifulSoup4（二）
		
    Python爬虫教程-24-数据提取-BeautifulSoup4(二) 本篇介绍 bs 如何遍历一个文档对象 遍历文档对象 contents:tag 的子节点以列表的方式输出 children:子节 ...
    
		
    3. 
						
  3. Python爬虫教程-23-数据提取-BeautifulSoup4（一）
		
    Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据,查看文档 https://www.crummy.com/software/BeautifulSoup/bs4/doc. ...
    
		
    4. 
						
  4. 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  ...
    
		
    5. 
						
  5. Python快速教程 尾声
		
    作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明.谢谢! 写了将近两年的Python快速教程,终于大概成形.这一系列文章,包括Python基 ...
    
		
    6. 
						
  6. 【Python大系】Python快速教程
		
    感谢原作者:Vamei 出处:http://www.cnblogs.com/vamei 怎么能快速地掌握Python?这是和朋友闲聊时谈起的问题. Python包含的内容很多,加上各种标准库.拓展库, ...
    
		
    7. 
						
  7. CentOS 5系统安装Django、Apache 、mod_wsgi部署Python环境教程
		
    Django,是一款针对Python环境的WEB开发框架,能够帮助我们构架快捷.简单的WEB框架设置,Django框架非常适合开发内容应用环境,所以在本文中,麦子将整理基于Centos系统部署安装Dj ...
    
		
    8. 
						
  8. 《Python算法教程》译者序
		
    在计算机的世界中,算法本质上是我们对某一个问题或者某一类问题的解决方案.也就是说,如果我们想用计算机来解决问题的话,就必须将问题的解决思路准确而完整地描述出来,同时计算机也要能理解这个描述.这需要我们 ...
    
		
    9. 
						
  9. 改写《python基础教程》中的一个例子
		
    一.前言 初学python,看<python基础教程>,第20章实现了将文本转化成html的功能.由于本人之前有DIY一个markdown转html的算法,所以对这个例子有兴趣.可仔细一看 ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. 手脱UPX v0.89.6 - v1.02
			
    声明: 只为纪录自己的脱壳历程,高手勿喷 这个壳的脱法很多一般都一步直达的,步过我喜欢ESP定律 1.载入OD,在入口下一行ESP定律运行一次 > pushad ; //入口 BE mov es ...
    
			
    2. 
						
  2. varchar字段
			
    varchar  最长26000多,实际使用最好不要超过255,会占内存 可以考虑text
    
			
    3. 
						
  3. mysql 中delete和trncate区别
			
    mysql中删除表记录delete from和truncate table的用法区别: MySQL中有两种删除表中记录的方法:(1)delete from语句,(2)truncate table语句. ...
    
			
    4. 
						
  4. js闭包及问题的解决
			
    闭包定义,作用 闭包就是能够读取其他函数内部变量的函数. 作用:一个是可以读取函数内部的变量,另一个就是让这些变量的值始终保持在内存中 缺点:闭包会保存函数中的变量在内存中,导致内存消耗大   闭包会 ...
    
			
    5. 
						
  5. 在服务器上运行Jar包
			
    在服务器上运行Jar包 并且该Jar包依赖其他的Jar文件的时候,采用如下格式 java -Djava.ext.dirs=你依赖的Jar文件路径 -jar 你要运行的Jar文件 包名+类名 例如: j ...
    
			
    6. 
						
  6. 【算法日记】Dijkstra最短路径算法
			
    上一篇再说广度优先搜索的适合提到了图. 狄克斯拉特算法是在图的基础上增加了 加权图的概念.就是节点和节点之间是有不同距离的 1.算法实例 用Dijkstra算法找出以A为起点的单源最短路径步骤如下 算 ...
    
			
    7. 
						
  7. VC6完整项目代码升级到VS2010
			
    VC6完整项目代码升级到VS2010,有需要请联系我,专业C++开发,邮箱153786575@qq.com
    
			
    8. 
						
  8. 动态规划：插头DP
			
    这种动归有很多名字,插头DP是最常见的 还有基于连通性的动态规划 轮廓线动态规划等等 超小数据范围,网格图,连通性 可能算是状态压缩DP的一种变式 以前我了解的状压DP用于NP难题的小数据范围求解 这 ...
    
			
    9. 
						
  9. stat命令--文件权限属性设置
			
    stat命令文件权限属性设置 stat命令用于显示文件的状态信息. stat命令的输出信息比ls命令的输出信息要更详细. 语法 stat(选项)(参数) 选项 -L:支持符号连接: -f:显示文件系统 ...
    
			
    10. 
						
  10. JAVA多线程提高十一:同步工具Exchanger
			
    Exchanger可以在对中对元素进行配对和交换的线程的同步点.每个线程将条目上的某个方法呈现给 exchange 方法,与伙伴线程进行匹配,并且在返回时接收其伙伴的对象.Exchanger 可能被视 ...
    
			
    11.