【Python】10-python爬虫之lxml库

lxml 是一种使用 Python 编写的库,可以迅速、灵活地处理 XML ，支持 XPath (XML Path Language)

lxml python 官方文档 http://lxml.de/index.html

学习目的

利用上节课学习的XPath语法，来快速的定位 特定元素以及节点信息，目的是 提取出 HTML、XML 目标数据

如何安装

  • Ubuntu :

sudo apt-get install libxml2-dev libxslt1-dev python-dev
sudo apt-get install zlib1g-dev
sudo apt-get install libevent-dev
sudo pip install lxml

利用 pip 安装即可

  • Windows:

http://blog.csdn.net/g1apassz...

http://www.lfd.uci.edu/~gohlk...

初步使用

首先我们利用lxml来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。

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。

from lxml import etree
text ='''
<div>
<ul>
<li class="item-0"><a href="https://segmentfault.com/a/1190000037440409/link1.html">第一项</a></li>
<li class="item-1"><a href="https://segmentfault.com/a/1190000037440409/link2.html">second item</a></li>
<li class="item-inactive"><a href="https://segmentfault.com/a/1190000037440409/link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="https://segmentfault.com/a/1190000037440409/link4.html">fourth item</a></li>
<li class="item-0"><a href="https://segmentfault.com/a/1190000037440409/link5.html">fifth item</a>
</ul>
</div>
'''
#把字符串解析为html文档
html = etree.HTML(text)
#将元素序列化为其XML树的字符串表示形式
result = etree.tostring(html)
print (result)

所以输出结果是这样的

<html><body><div>
<ul>
<liclass="item-0"><ahref="https://segmentfault.com/a/1190000037440409/link1.html">第一项</a></li>
<liclass="item-1"><ahref="https://segmentfault.com/a/1190000037440409/link2.html">second item</a></li>
<liclass="item-inactive"><ahref="https://segmentfault.com/a/1190000037440409/link3.html"><spanclass="bold">third item</span></a></li>
<liclass="item-1"><ahref="https://segmentfault.com/a/1190000037440409/link4.html">fourth item</a></li>
<liclass="item-0"><ahref="https://segmentfault.com/a/1190000037440409/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。

XPath实例测试

1. 获取所有的 <li> 标签

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'>
[<Elementliat 0x1014e0e18>, <Elementliat 0x1014e0ef0>, <Elementliat 0x1014e0f38>, <Elementliat 0x1014e0f80>, <Elementliat 0x1014e0fc8>]
5
<type'list'>
<type'lxml.etree._Element'>

可见，每个元素都是 Element 类型;是一个个的标签元素，类似现在的实例

<Elementliat 0x1014e0e18>
Element类型代表的就是
<li class="item-0"><ahref="https://segmentfault.com/a/1190000037440409/link1.html">第一项</a></li>

［注意］

Element类型是一种灵活的容器对象，用于在内存中存储结构化数据。

每个element对象都具有以下属性：

1. tag：string对象，标签，用于标识该元素表示哪种数据（即元素类型）。

2. attrib：dictionary对象，表示附有的属性。

3. text：string对象，表示element的内容。

4. tail：string对象，表示element闭合之后的尾迹。

示例

<tag attrib1=1>text</tag>tail1     2        3         4

result[0].tag     #li

2. 获取 <li> 标签的所有 class

html.xpath('//li/@class')

运行结果

['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

3.获取 <li> 标签下属性 href 为 link1.html 的 <a> 标签

html.xpath('//li/a[@href="https://segmentfault.com/a/1190000037440409/link1.html"]')

运行结果

[<Element a at 0x10ffaae18>]

4.获取 <li> 标签下的所有 <span> 标签

注意这么写是不对的

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

html.xpath('//li//span')

运行结果

[<Element span at 0x10d698e18>]

5. 获取 <li> 标签下的所有 class，不包括 <li>

html.xpath('//li/a//@class')

运行结果

['blod']

6. 获取最后一个 <li> 的<a> 的 href

html.xpath('//li[last()]/a/@href')

运行结果

['link5.html']

7. 获取 class 为 bold 的标签名

result = html.xpath('//*[@class="bold"]')print result[0].tag

运行结果

span

通过以上实例的练习，相信大家对 XPath 的基本用法有了基本的了解

实战项目

豆瓣电影排行榜

【Python】10-python爬虫之lxml库

https://movie.douban.com/chart

from lxml import etree
import urllib.parse
import urllib.request
url='https://movie.douban.com/chart'
# 豆瓣排行榜
herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'https://movie.douban.com/','Connection':'keep-alive'}
# 请求头信息
req = urllib.request.Request(url,headers=herders)
# 设置请求头
response=urllib.request.urlopen(req)
# response 是返回响应的数据
htmlText=response.read()
# 读取响应数据
# 把字符串解析为html文档
html = etree.HTML(htmlText)
result = html.xpath('//div[@class="pl2"]/a')
# 解析到所有的标题
file = open('data.txt','a+',encoding='utf-8')
# 打开一个文本文件
for line in result:
file.write(line.xpath('string(.)').replace('\n','').replace(' ','')+'\n')
# 遍历解析到的结果
# 获取里面的文字.移除换行.替换空格+换行
file.close()

结果

data.txt

从邪恶中拯救我/魔鬼对决(台)/请救我于邪恶
神弃之地/恶魔每时每刻
监视资本主义：智能陷阱/社交困境/智能社会：进退两难(台)
我想结束这一切/i’mthinkingofendingthings(风格化标题)
禁锢之地/Imprisonment/TheTrapped
鸣鸟不飞：乌云密布/SaezuruToriWaHabatakanai:TheCloudsGather
树上有个好地方/TheHomeintheTree
辣手保姆2：女王蜂/撒旦保姆：血腥女王/TheBabysitter2
冻结的希望/雪藏希望：待日重生/HopeFrozen:AQuestToLiveTwice
铁雨2：首脑峰会/铁雨2：首脑会谈/钢铁雨2：核战危机(港)

单词表

"""
单词表
parse       解析
request     请求
headers     请求头
result      结果
file        文件
encoding    编码
write       写
open        打开
string      文本
replace     替换
"""

作业

（1）练习一下lxml、etree、xpath的整个的操作

（2）试试上节课XPath的语法以及Html，自己动手实践

在线练习：https://www.520mg.com/it
【Python】10-python爬虫之lxml库

以上是 【Python】10-python爬虫之lxml库 的全部内容， 来源链接： utcz.com/a/90950.html

回到顶部