python 網(wǎng)頁解析器掌握第三方 lxml 擴展庫與 xpath 的使用方法
今天說的則是使用另外一種擴展庫 lxml 來對網(wǎng)頁完成解析。同樣的，lxml 庫能完成對 html、xml 格式的文件解析，并且能夠用來解析大型的文檔、解析速度也是相對比較快的。
要掌握 lxml 的使用，就需要掌握掌握 xpath 的使用方法，因為 lxml 擴展庫就是基于 xpath 的，所以這一章的重點主要還是對 xpath 語法使用的說明。
1、導入 lxml 擴展庫、并創(chuàng)建對象# -*- coding: UTF-8 -*-# 從 lxml 導入 etreefrom lxml import etree# 首先獲取到網(wǎng)頁下載器已經(jīng)下載到的網(wǎng)頁源代碼# 這里直接取官方的案例html_doc = '''<html><head><title>The Dormouse’s story</title></head><body><p class='title'><b>The Dormouse’s story</b></p><p class='story'>Once upon a time there were three little sisters; and their names were<a rel='external nofollow' id='link1'>Elsie</a>,<a rel='external nofollow' id='link2'>Lacie</a> and<a rel='external nofollow' id='link3'>Tillie</a>;and they lived at the bottom of a well.</p><p class='story'>...</p>'''# 初始化網(wǎng)頁下載器的 html_doc 字符串,返回一個 lxml 的對象html = etree.HTML(html_doc)2、使用 xpath 語法提取網(wǎng)頁元素
按照節(jié)點的方式獲取元素
# xpath() 使用標簽節(jié)點的方式獲取元素print html.xpath(’/html/body/p’)# [<Element p at 0x2ebc908>, <Element p at 0x2ebc8c8>, <Element p at 0x2eb9a48>]print html.xpath(’/html’)# [<Element html at 0x34bc948>]# 在當前節(jié)點的子孫節(jié)點中查找 a 節(jié)點print html.xpath(’//a’)# 在當前節(jié)點的子節(jié)點中查找 html 節(jié)點print html.xpath(’/html’)
按照篩選的方式獲取元素
’’’根據(jù)單一屬性獲取元素’’’# 獲取子孫節(jié)點中,屬性 class=bro 的 a 標簽print html.xpath(’//a[@class='bro']’)# 獲取子孫節(jié)點中,屬性 id=link3 的 a 標簽print html.xpath(’//a[@id='link3']’)’’’根據(jù)多個屬性獲取元素’’’# 獲取class屬性等于sister，并且id等于link3的a標簽print html.xpath(’//a[contains(@class,'sister') and contains(@id,'link1')]’)# 獲取class屬性等于bro，或者id等于link1的a標簽print html.xpath(’//a[contains(@class,'bro') or contains(@id,'link1')]’)# 使用 last() 函數(shù)，獲取子孫代的a標簽的最后一個a標簽print html.xpath(’//a[last()]’)# 使用 1 函數(shù)，獲取子孫代的a標簽的第一個a標簽print html.xpath(’//a[1]’)# 標簽篩選，position()獲取子孫代的a標簽的前兩個a標簽print html.xpath(’//a[position() < 3]’)’’’使用計算的方式，獲取多個元素’’’# 標簽篩選，position()獲取子孫代的a標簽的第一個與第三個標簽# 可以使用的計算表達式：>、<、=、>=、<=、+、-、and、orprint html.xpath(’//a[position() = 1 or position() = 3]’)
獲取元素的屬性與文本
’’’使用@獲取屬性值，使用text() 獲取標簽文本’’’# 獲取屬性值print html.xpath(’//a[position() = 1]/@class’)# [’sister’]# 獲取標簽的文本值print html.xpath(’//a[position() = 1]/text()’)
到此這篇關(guān)于python 網(wǎng)頁解析器掌握第三方 lxml 擴展庫與 xpath 的使用方法的文章就介紹到這了,更多相關(guān)python lxml 擴展庫與 xpath內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！
相關(guān)文章：
網(wǎng)公網(wǎng)安備