Python 爬虫之数据解析模块lxml基础(附:xpath和解析器介绍)

介绍:

最近在学Python爬虫,在这里对数据解析模块lxml做个学习笔记。


lxml、xpath及解析器介绍:

lxml是Python的一个解析库,支持HTML和XML的解析,支持xpath解析方式,而且解析效率非常高。xpath,全称XML Path Language,即XML路径语言,它是一门在XML文档中查找信息的语言,它最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索


xml文件/html文件结点关系:

父节点(Parent)

子节点(Children)

同胞节点(Sibling)

先辈节点(Ancestor)

后代节点(Descendant)


xpath语法:

nodename    选取此节点的所有子节点

//          从任意子节点中选取

/           从根节点选取

.           选取当前节点

..          选取当前节点的父节点

@        选取属性


解析器比较:

解析器         速度      难度

re                最快      难

BeautifulSoup 慢        非常简单

lxml                 快        简单


学习笔记:


# -*- coding: utf-8 -*-


from lxml import etree


html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p><b>The Dormouse's story</b></p>


<p>Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class=... ... ... ... ... ... "sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" id="link2">Lacie</a> and

<a href="http://example.com/tillie" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>


<p>...</p>

"""


selector = etree.HTML(html_doc)   #创建一个对象


links = selector.xpath('//p[@class="story"]/a/@href')   # 取出页面内所有的链接

for link in links:

    print link


xml_test = """

<?xml version='1.0'?>

<?xml-stylesheet type="text/css" href="first.css"?>

<notebook>

    <user id="1" category='cb' class="dba python linux">

        <name>lizibin</name>

        <sex>m</sex>

        <address>sjz</address>

        <age>28</age>

        <concat>

            <email>konigerwin@163.com</email>

            <phone>135......</phone>

        </concat>

    </user>

    <user id="2" category='za'>

        <name>wsq</name>

        <sex>f</sex>

        <address>shanghai</address>

        <age>25</age>

        <concat>

            <email>konigerwiner@163.com</email>

            <phone>135......</phone>

        </concat>

    </user>

    <user id="3" category='za'>

        <name>liqian</name>

        <sex>f</sex>

        <address>SH</address>

        <age>28</age>

        <concat>

            <email>konigerwinarry@163.com</email>

            <phone>135......</phone>

        </concat>

    </user>

    <user id="4" category='cb'>

        <name>qiangli</name>

        <sex>f</sex>

        <address>SH</address>

        <age>29</age>

        <concat>

            <email>konigerwinarry@163.com</email>

            <phone>135......</phone>

        </concat>

    </user>

    <user id="5" class="dba linux c java python test teacher">

        <name>buzhidao</name>

        <sex>f</sex>

        <address>SH</address>

        <age>999</age>

        <concat>

            <email>konigerwinarry@163.com</email>

            <phone>135......</phone>

        </concat>

    </user>

</notebook>

"""


#r = requests.get('http://xxx.com/abc.xml')   也可以请求远程服务器上的xml文件

#etree.HTML(r.text.encode('utf-8'))

xml_code = etree.HTML(xml_test)     #生成一个etree对象


#选取所有子节点的name(地址)

print xml_code.xpath('//name')


选取所有子节点的name值(数据)

print xml_code.xpath('//name/text()')

print ''


#以notebook以根节点选取所有数据

notebook = xml_code.xpath('//notebook')


#取出第一个节点的name值(数据)

print notebook[0].xpath('.//name/text()')[0]


addres = notebook[0].xpath('.//name')[0]

#取出和第一个节点同级的 address 值

print addres.xpath('../address/text()')


#选取属性值

print addres.xpath('../address/@lang')


#选取notebook下第一个user的name属性

print xml_code.xpath('//notebook/user[1]/name/text()')


#选取notebook下最后一个user的name属性

print xml_code.xpath('//notebook/user[last()]/name/text()')


#选取notebook下倒数第二个user的name属性

print xml_code.xpath('//notebook/user[last()-1]/name/text()')


#选取notebook下前两名user的address属性

print xml_code.xpath('//notebook/user[position()<3]/address/text()')


#选取所有分类为web的name

print xml_code.xpath('//notebook/user[@category="cb"]/name/text()')


#选取所有年龄小于30的人

print xml_code.xpath('//notebook/user[age<30]/name/text()')


#选取所有class属性中包含dba的class属性

print xml_code.xpath('//notebook/user[contains(@class,"dba")]/@class')

print xml_code.xpath('//notebook/user[contains(@class,"dba")]/name/text()')




上一篇:Windows10 64位下Pycharm及cmd安装lxml最新库


下一篇:python – 帮助(或建议)我开始使用lxml