Python3 爬虫学习笔记第七章 —— 【解析库 lxml】

文章目录

【7.1】关于 lxml
【7.2】使用 XPath
【7.3】查找所有节点
【7.4】查找子节点
【7.5】查找父节点
【7.6】属性匹配
【7.7】文本获取
【7.8】属性获取
【7.9】一个属性包含多个值的匹配
【7.10】多个属性匹配一个节点
【7.11】按顺序选择节点
【7.12】节点轴选择

【7.1】关于 lxml

lxml 是 Python 的一个解析库，支持 HTML 和 XML 的解析，支持 XPath 解析方式，解析效率非常高，使用前需要用命令 pip3 install lxml 安装 lxml 库

【7.2】使用 XPath

XPath（XML Path Language）即 XML 路径语言， lxml 解析库使用的正是 XPath 语法，最初是用来搜寻 XML 文档的，是一门在 XML 文档中查找信息的语言，它同样适用于 HTML 文档的搜索

XPath 常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点
.	选取当前节点
…	选取当前节点的父节点
@	选取属性
*	通配符，选择所有元素节点与元素名
@*	选取所有属性
[@attrib]	选取具有给定属性的所有元素
[@attrib=‘value’]	选取给定属性具有给定值的所有元素
[tag]	选取所有具有指定元素的直接子节点
[tag=‘text’]	选取所有具有指定元素并且文本内容是text节点

浏览器插件 XPath Helper，在线验证 XPath，谷歌商店下载地址：https://chrome.google.com/webstore/detail/hgimnogjllphhhkhlmebbmlgjoejdpjl

XPath 基本使用方法：首先使用代码 from lxml import etree导入库，然后将 HTML 文档变成一个对象，再调用对象的方法去查找指定的节点，方法有两种：tree = etree.parse() 为本地文件查找，tree = etree.HTML() 为网络文件查找，再使用语句 tree.xpath() 查找指定节点。

【7.3】查找所有节点

新建一个 xpath.html 本地文件，内容如下：

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8" /><title>xpath测试</title>
</head>
<body>
<div class="song">火药<b>指南针</b><b>印刷术</b>造纸术
</div>
<div class="tang"><ul><li class="balove">停车坐爱枫林晚，霜叶红于二月花。</li><li id="hua">商女不知亡国恨，隔江犹唱后庭花。</li><li class="love" name="yang">一骑红尘妃子笑，无人知是荔枝来。</li><li id="bei">葡萄美酒夜光杯，欲饮琵琶马上催。</li><li><a href="http://www.baidu.com/">百度一下</a> </li></ul><ol><li class="balucy">寻寻觅觅冷冷清清，凄凄惨惨戚戚。</li><li class="lily">咋暖还寒时候，最难将息。</li><li class="lilei">三杯两盏淡酒。</li><li>怎敌他晚来风急。</li><li>雁过也，正伤心，却是旧时相识。</li><li>爱情三十六计</li><li>什么是爱情</li></ol>
</div>
</body>
</html>

查找所有节点：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//*')
print(result)

使用 * 代表匹配所有节点，整个 xpath.html 文件中的所有节点都会被获取到，返回形式是一个列表，每个元素是 Element 类型，其后跟了节点的名称，如 html、body、div、ul、li、a 等，所有节点都包含在列表中，输出结果如下：

[<Element html at 0x1a836a34508>, <Element head at 0x1a836a344c8>, <Element meta at 0x1a836a345c8>, <Element title at 0x1a836a34608>, <Element body at 0x1a836a34648>, <Element div at 0x1a836a346c8>, <Element b at 0x1a836a34708>, <Element b at 0x1a836a34748>, <Element div at 0x1a836a34788>, <Element ul at 0x1a836a34688>, <Element li at 0x1a836a347c8>, <Element li at 0x1a836a34808>, <Element li at 0x1a836a34848>, <Element li at 0x1a836a34888>, <Element li at 0x1a836a348c8>, <Element a at 0x1a836a34908>, <Element ol at 0x1a836a34948>, <Element li at 0x1a836a34988>, <Element li at 0x1a836a349c8>, <Element li at 0x1a836a34a08>, <Element li at 0x1a836a34a48>, <Element li at 0x1a836a34a88>, <Element li at 0x1a836a34ac8>, <Element li at 0x1a836a34b08>]

【7.4】查找子节点

通过 / 或 // 即可查找元素的子节点或子孙节点：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ul/li')
print(result)

选择 ul 节点的所有直接 li 子节点：

[<Element li at 0x2a094d044c8>, <Element li at 0x2a094d045c8>, <Element li at 0x2a094d04608>, <Element li at 0x2a094d04648>, <Element li at 0x2a094d04688>]

【7.5】查找父节点

知道了子节点，也可以用 … 或者 parent:: 查找其父节点

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ol/../@class')
print(result)

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ol/parent::*/@class')
print(result)

先查找到 ol 节点，随后获取其父节点以及其 class 属性：

['tang']

【7.6】属性匹配

有时候 HTML 包含多个相同名的节点，而节点的属性是不一样的，此时可以用 @ 符号进行属性过滤

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//li[@class="balucy"]')
print(result)

xpath.html 文件中，只有一个 class 为 balucy 的节点：<li class="balucy">寻寻觅觅冷冷清清，凄凄惨惨戚戚。</li>，运行以上代码将返回一个该元素：

[<Element li at 0x16e53aa54c8>]

【7.7】文本获取

使用 text() 方法即可提取节点中的文本：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//li[@class="balucy"]/text()')
print(result)

输出结果：

['寻寻觅觅冷冷清清，凄凄惨惨戚戚。']

再次观察 xpath.html 文件中的 <ol></ol>这一部分：

<ol><li class="balucy">寻寻觅觅冷冷清清，凄凄惨惨戚戚。</li><li class="lily">咋暖还寒时候，最难将息。</li><li class="lilei">三杯两盏淡酒。</li><li>怎敌他晚来风急。</li><li>雁过也，正伤心，却是旧时相识。</li><li>爱情三十六计</li><li>什么是爱情</li>
</ol>

如果我们想要提取 <li> 节点里面所有的文本，就可以使用 html.xpath('//ol/li/text()') 语句：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ol/li/text()')
print(result)

输出结果：

['寻寻觅觅冷冷清清，凄凄惨惨戚戚。', '咋暖还寒时候，最难将息。', '三杯两盏淡酒。', '怎敌他晚来风急。', '雁过也，正伤心，却是旧时相识。', '爱情三十六计', '什么是爱情']

同样还有另一种方法，使用 html.xpath('//ol//text()') 语句，// 将会选取所有子孙节点的文本，<ol> 和 <li> 节点下的换行符也将被提取出来：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ol//text()')
print(result)

输出结果：

['\n        ', '寻寻觅觅冷冷清清，凄凄惨惨戚戚。', '\n        ', '咋暖还寒时候，最难将息。', '\n        ', '三杯两盏淡酒。', '\n        ', '怎敌他晚来风急。', '\n        ', '雁过也，正伤心，却是旧时相识。', '\n        ', '爱情三十六计', '\n        ', '什么是爱情', '\n    ']

【7.8】属性获取

与属性匹配一样，属性获取仍然使用 @：

from lxml import etreehtml = etree.parse('./xpath.html')
result = html.xpath('//ul/li[5]/a/@href')
print(result)

获取 href 属性：

['http://www.baidu.com/']

【7.9】一个属性包含多个值的匹配

某个节点的某个属性可能有多个值，例如：

<li class="li li-first"><a href="link.html">first item</a></li>

li 节点的 class 属性有 li 和 li-first 两个值，如果使用 html.xpath('//li[@class="li"] 语句，将无法成功匹配，这时就需要使用 contains 方法了，第一个参数传入属性名称，第二个参数传入属性值，只要此属性包含所传入的属性值，就可以完成匹配了

from lxml import etree
text = '''  
<li class="li li-first"><a href="link.html">first item</a></li>  
'''
html = etree.HTML(text)
result = html.xpath('//li[contains(@class, "li")]/a/text()')
print(result)

输出结果：

['first item']

【7.10】多个属性匹配一个节点

XPath 还可以根据多个属性来确定一个节点，这时就需要同时匹配多个属性。此时可以使用运算符 and 来连接：

from lxml import etree
text = '''  
<li class="li" name="item"><a href="link.html">first item</a></li>
'''
html = etree.HTML(text)
result = html.xpath('//li[@class="li" and @name="item"]/a/text()')
print(result)

输出结果：

['first item']

示例中运用了运算符 and 来连接，此外常见的运算符如下：

运算符	描述	实例	返回值
or	或	age=19 or age=20	如果 age 是 19 或者 20，则返回 true。如果 age 是其他值，则返回 false
and	与	age>19 and age<21	如果 age 大于 19 且小于 21，则返回 true。如果 age 是其他值，则返回 false
mod	计算除法的余数	5 mod 2	1
\|	计算两个节点集	//book \| //cd	返回所有拥有 book 和 cd 元素的节点集
+	加法	10 + 5	15
-	减法	10 - 5	5
*	乘法	10 * 5	50
div	除法	10 div 5	2
=	等于	age=19	如果 age 是 19，则返回 true。如果 age 不是 19，则返回 false
!=	不等于	age!=19	如果 age 不是 19，则返回 true。如果 age 是 19，则返回 false
<	小于	age<19	如果 age 小于 19，则返回 true。如果 age 不小于 19，则返回 false
<=	小于或等于	age<=19	如果 age 小于等于 19，则返回 true。如果 age 大于 19，则返回 false
>	大于	age>19	如果 age 大于 19，则返回 true。如果 age 不大于 19，则返回 false
>=	大于或等于	age>=19	如果 age 大于等于 19，则返回 true。如果 age 小于 19，则返回 false

【7.11】按顺序选择节点

某些属性可能同时匹配了多个节点，如果要选择其中几个节点，可以利用中括号传入索引的方法获取特定次序的节点

from lxml import etreetext = '''
<div><ul><li class="item-0"><a href="link1.html">first item</a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html">third item</a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a></ul></div>
'''
html = etree.HTML(text)
result = html.xpath('//li[1]/a/text()')
print(result)
result = html.xpath('//li[last()]/a/text()')
print(result)
result = html.xpath('//li[position()<3]/a/text()')
print(result)
result = html.xpath('//li[last()-2]/a/text()')
print(result)

li[1]：选取第一个 li 节点；
li[last()]：选取最后一个 li 节点；
position()< 3：选取位置小于 3 的 li 节点；
li[last()-2]：选取倒数第三个 li 节点

输出结果：

['first item']
['fifth item']
['first item', 'second item']
['third item']

【7.12】节点轴选择

节点轴选择：获取子元素、兄弟元素、父元素、祖先元素等

from lxml import etreetext = '''
<div><ul><li class="item-0"><a href="link1.html"><span>first item</span></a></li><li class="item-1"><a href="link2.html">second item</a></li><li class="item-inactive"><a href="link3.html">third item</a></li><li class="item-1"><a href="link4.html">fourth item</a></li><li class="item-0"><a href="link5.html">fifth item</a></ul></div>
'''
html = etree.HTML(text)
result = html.xpath('//li[1]/ancestor::*')
print(result)
result = html.xpath('//li[1]/ancestor::div')
print(result)
result = html.xpath('//li[1]/attribute::*')
print(result)
result = html.xpath('//li[1]/child::a[@href="link1.html"]')
print(result)
result = html.xpath('//li[1]/descendant::span')
print(result)
result = html.xpath('//li[1]/following::*[2]')
print(result)
result = html.xpath('//li[1]/following-sibling::*')
print(result)

输出结果：

[<Element html at 0x1d3749e9548>, <Element body at 0x1d3749e94c8>, <Element div at 0x1d3749e9488>, <Element ul at 0x1d3749e9588>]
[<Element div at 0x1d3749e9488>]
['item-0']
[<Element a at 0x1d3749e9588>]
[<Element span at 0x1d3749e9488>]
[<Element a at 0x1d3749e9588>]
[<Element li at 0x1d3749e94c8>, <Element li at 0x1d3749e95c8>, <Element li at 0x1d3749e9608>, <Element li at 0x1d3749e9648>]

基本语法：轴名称::节点测试[谓语]

轴名称对应的结果：

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身
attribute	选取当前节点的所有属性
child	选取当前节点的所有子元素
descendant	选取当前节点的所有后代元素（子、孙等）
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身
following	选取文档中当前节点的结束标签之后的所有节点
namespace	选取当前节点的所有命名空间节点
parent	选取当前节点的父节点
preceding	选取文档中当前节点的开始标签之前的所有节点
preceding-sibling	选取当前节点之前的所有同级节点
self	选取当前节点

实例：

例子	结果
child::book	选取所有属于当前节点的子元素的 book 节点
attribute::lang	选取当前节点的 lang 属性
child:: *	选取当前节点的所有子元素
attribute:: *	选取当前节点的所有属性
child::text()	选取当前节点的所有文本子节点
child::node()	选取当前节点的所有子节点
descendant::book	选取当前节点的所有 book 后代
ancestor::book	选择当前节点的所有 book 先辈
ancestor-or-self::book	选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
child:: */child::price	选取当前节点的所有 price 孙节点