python 網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 來對網頁完成解析。同樣的,lxml 庫能完成對 html、xml 格式的文件解析,並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 擴展庫就是基於 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、並創建對象

# -*- coding: UTF-8 -*-

# 從 lxml 導入 etree
from lxml import etree

# 首先獲取到網頁下載器已經下載到的網頁源代碼
# 這裡直接取官方的案例
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 href="http://example.com/elsie" rel="external nofollow" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" rel="external nofollow" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" rel="external nofollow" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

# 初始化網頁下載器的 html_doc 字符串,返回一個 lxml 的對象
html = etree.HTML(html_doc)

2、使用 xpath 語法提取網頁元素

按照節點的方式獲取元素

# xpath() 使用標簽節點的方式獲取元素
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>]
# 在當前節點的子孫節點中查找 a 節點
print html.xpath('//a')
# 在當前節點的子節點中查找 html 節點
print html.xpath('/html')

按照篩選的方式獲取元素

'''
根據單一屬性獲取元素
'''
# 獲取子孫節點中,屬性 class=bro 的 a 標簽
print html.xpath('//a[@class="bro"]')

# 獲取子孫節點中,屬性 id=link3 的 a 標簽
print html.xpath('//a[@id="link3"]')

'''
根據多個屬性獲取元素
'''
# 獲取class屬性等於sister,並且id等於link3的a標簽
print html.xpath('//a[contains(@class,"sister") and contains(@id,"link1")]')

# 獲取class屬性等於bro,或者id等於link1的a標簽
print html.xpath('//a[contains(@class,"bro") or contains(@id,"link1")]')

# 使用 last() 函數,獲取子孫代的a標簽的最後一個a標簽
print html.xpath('//a[last()]')
# 使用 1 函數,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、or
print 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()')

到此這篇關於python 網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瞭,更多相關python lxml 擴展庫與 xpath內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!