大家好，我是知秋君，一个会写博客吟诗的知秋码农。今天说一说python爬虫系列--lxml（etree/parse/xpath)的使用,希望能够帮助大家进步!!!

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-etree的使用：加载本地中的html

etree.HTML(text)使用

from lxml import etree text = ''' <body> <div> <ul> <li>01</li> <li>02</li> <li>03</li> <li>04</li> <li>05</li> <li>06</li> <li>07 </ul> </div> </body> '''html = etree.HTML(text) # 将字符串格式的文件转化为html文档  print(html) #==> <Element html at 0x2c95350> 表明这是一个html文档 str = etree.tostring(html).decode() # 将html文档转化为二进制的字符串格式 print(str) # ==> 输出上面text中的内容

只听到从知秋君办公室传来知秋君的声音:

芳树千株发，摇荡三阳时。有谁来对上联或下联?

这里首先导入lxml库的etree模块，然后声明了一段HTML文本，调用HTML类进行初始化，这样就成功构造了一个XPath解析对象。这里需要注意的是，HTML文本中的最后一个li节点是没有闭合的，但是etree.HTML模块可以自动修正HTML文本。会补全html信息。
这里我们调用tostring()方法即可输出修正后的HTML代码，但是结果是bytes类型。这里利用decode()方法将其转成str类型，结果如下
在这里插入图片描述

etree.parse()

此代码由一叶知秋网-知秋君整理
from lxml import etree
html01 = etree.parse('demo01.html', etree.HTMLParser()) # demo01.html是和当前py文件同级的文件 print(html01) #⇒ <lxml.etree._ElementTree object at 0x014CE940> 返回一个节点树 result = etree.tostring(html01) print(result.decode('utf-8')) # ==> 输出demo01.html中的内容

# lxml-etree读取文件 from lxml import etree
html = etree.parse('demo01.html', etree.HTMLParser()) print(type(html)) # <class 'lxml.etree._ElementTree'> 返回节点树 # 查找所有 li 节点 rst = html.xpath('//li') #//代表在任意路径下查找节点为li的所有元素 print(type(rst)) # ==><class 'list'> print(rst) # ==> [<Element li at 0x133d9e0>, <Element li at 0x133d9b8>, <Element li at 0x133d990>] 找到的所有符合元素的li节点 # 查找li下带有 class 属性值为 one 的元素 rst2 = html.xpath('//li[@class="one"]') print(type(rst2)) # ==> <class 'list'> print(rst2) # ==>[<Element li at 0x35dd9b8>] # 查找li带有class属性,值为two的元素,下的div元素下的a元素 rst3 = html.xpath('//li[@class="two"]/div/a') # <class 'list'> rst3 = rst3[0] #选中res3列表中的第一个元素 print('-------------\n',type(rst3)) # ==><class 'lxml.etree._Element'> print(rst3.tag) # ==>输出res3的标签名 print(rst3.text) # ==> 输出res3中的文本内容

etree和XPath 配合使用

此代码由一叶知秋网-知秋君整理
# lxml-etree读取文件 from lxml import etree
html = etree.parse('demo01.html', etree.HTMLParser()) print(type(html)) # <class 'lxml.etree._ElementTree'> 返回节点树 # 查找所有 li 节点 rst = html.xpath('//li') #//代表在任意路径下查找节点为li的所有元素 print(type(rst)) # ==><class 'list'> print(rst) # ==> [<Element li at 0x133d9e0>, <Element li at 0x133d9b8>, <Element li at 0x133d990>] 找到的所有符合元素的li节点 # 查找li下带有 class 属性值为 one 的元素 rst2 = html.xpath('//li[@class="one"]') print(type(rst2)) # ==> <class 'list'> print(rst2) # ==>[<Element li at 0x35dd9b8>] # 查找li带有class属性,值为two的元素,下的div元素下的a元素 rst3 = html.xpath('//li[@class="two"]/div/a') # <class 'list'> rst3 = rst3[0] #选中res3列表中的第一个元素 print('-------------\n',type(rst3)) # ==><class 'lxml.etree._Element'> print(rst3.tag) # ==>输出res3的标签名 print(rst3.text) # ==> 输出res3中的文本内容

xpath的基本使用

XPath 是一门在 XML/HTML 文档中查找信息的语言。XPath 可用来在 XML /HTML文档中对元素和属性进行遍历。

lxml-etree读取文件

1.获取某个标签中的具体内容

方法一：直接写到a标签

html = etree.HTML(wb_data)html_data = html.xpath('//li/a') print(html) # <Element html at 0x3b13f0> html文档 也就是根节点 print(html_data) #[<Element a at 0xb5da30>, <Element a at 0xb5da08>, <Element a at 0xb5d9e0>, <Element a at 0xb5d9b8>, <Element a at 0xb5d990>] 选取的元素节点 for i in html_data: print(i.text) # 通过i.text输出具体内容

方法二：在写xpath时候直接在路径后面跟/text()

html = etree.HTML(wb_data)html_data = html.xpath('//li/a/text()') print(html_data)# ['first item', 'second item', 'third item', 'fourth item', 'fifth item'] for i in html_data: print(i)

2. 打开读取html文件 psrse

html = etree.parse('demo01.html',etree.HTMLParser()) # 拿到整个html文档 也就是节点树 # print(html) res = html.xpath('//li') # [<Element li at 0x39ad9e0>, <Element li at 0x39ad9b8>, <Element li at 0x39ad990>] # print(res[0].text) # 1 输出文本 str = etree.tostring(html) #转化为二进制  str = str.decode('utf-8') # 解码 print(str)

3. 拿到某个标签属性的值

html = etree.HTML(wb_data)  # 内部
html1 = etree.parse('demo01.html',etree.HTMLParser()) # 外部引入的文件
html_data = html1.xpath('//li/div/a/@href')
for i in html_data:
print(i)

4.我们知道我们使用xpath拿到得都是一个个的ElementTree对象，所以如果需要查找内容的话，还需要遍历拿到数据的列表。

5.绝对路径和相对路径的使用

绝对路径一个斜杠开头从根开始查找（以下代码仅供示范，不保证正确性）

html = etree.HTML(wb_data) abs_load = html.xpath('/html/body/p/ul/li/a[@href="link2.html" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" ]/text()') print(abs_load)

相对路径的使用

html = etree.HTML(wb_data)html_data = html.xpath('//a') print(html_data) for i in html_data: print(i)

实例取网站的某个具体元素的xpath的路径

打开控制台，选中具体的元素，右键找到copy----->Copy Xpath

自此，爬虫的lxml模块基本了解结束了，应该是对爬虫中的文件操作有了基本的认识了，文笔不好，请多包涵。有任何问题大家可以给我留言。共同探讨和进步。

python爬虫系列--lxml（etree/parse/xpath)的使用