目錄
lxml是python的一個解析庫,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,全稱XML Path Language,即XML路徑語言,它是一門在XML文檔中查找信息的語言,它最初是用來搜尋XML文檔的,但是它同樣適用於HTML文檔的搜索
XPath的選擇功能十分強大,它提供了非常簡明的路徑選擇表達式,另外,它還提供了超過100個內建函數,用於字符串、數值、時間的匹配以及節點、序列的處理等,幾乎所有我們想要定位的節點,都可以用XPath來選擇
XPath於1999年11月16日成爲W3C標準,它被設計爲供XSLT、XPointer以及其他XML解析軟件使用,更多的文檔可以訪問其官方網站:https://www.w3.org/TR/xpath/
一、XPath常用規則
表達式 | 描述 |
nodename | 選取此節點的所有子節點 |
/ | 從當前節點選取直接子節點 |
// | 從當前節點選取子孫節點 |
. | 選取當前節點 |
.. | 選取當前節點的父節點 |
@ | 選取屬性 |
* | 通配符,選擇所有元素節點與元素名 |
@* | 選取所有屬性 |
[@attrib] | 選取具有給定屬性的所有元素 |
[@attrib='value'] | 選取給定屬性具有給定值的所有元素 |
[tag] | 選取所有具有指定元素的直接子節點 |
[tag='text'] | 選取所有具有指定元素並且文本內容是text節點 |
1、讀取文本解析節點
# -*- coding: utf-8 -*-
from lxml import etree
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一個</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-0"><a href="link5.html">a屬性</a>
</ul>
</div>
'''
html=etree.HTML(text) #初始化生成一個XPath解析對象
result=etree.tostring(html,encoding='utf-8') #解析對象輸出代碼
print(type(html))
print(type(result))
print(result.decode('utf-8'))
#etree會修復HTML文本節點
# <class 'lxml.etree._Element'>
# # <class 'bytes'>
# # <html><body><div>
# # <ul>
# # <li class="item-0"><a href="link1.html">第一個</a></li>
# # <li class="item-1"><a href="link2.html">second item</a></li>
# # <li class="item-0"><a href="link5.html">a屬性</a>
# # </li></ul>
# # </div>
# # </body></html>
2、讀取HTML文件進行解析
test.html文件
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<body>
<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>
</li></ul> \n </div>
</body>
</html>
from lxml import etree
# 指定解析器HTMLParser會根據文件修復HTML文件中缺失的如聲明信息
html=etree.parse(r'E:\PythonProjects\python_study\python_requests\test.html',
etree.HTMLParser())
result=etree.tostring(html) #解析成字節
# result=etree.tostringlist(html) #解析成列表
print(type(html))
print(type(result))
print(result)
3、獲取所有節點
返回一個列表每個元素都是Element類型,所有節點都包含在其中
from lxml import etree
# 指定解析器HTMLParser會根據文件修復HTML文件中缺失的如聲明信息
html=etree.parse(r'E:\PythonProjects\python_study\python_requests\test.html',
etree.HTMLParser())
result=html.xpath('//*') #//代表獲取子孫節點,*代表獲取所有
print(type(html))
print(type(result))
print(result)
如要獲取li節點,可以使用//後面加上節點名稱,然後調用xpath()方法
html.xpath('//li') #獲取所有子孫節點的li節點
4、獲取子節點
通過/或者//即可查找元素的子節點或者子孫節點,如果想選擇li節點的所有直接a節點,可以這樣使用
from lxml import etree
# 指定解析器HTMLParser會根據文件修復HTML文件中缺失的如聲明信息
html=etree.parse(r'E:\PythonProjects\python_study\python_requests\test.html',
etree.HTMLParser())
# 通過追加/a選擇所有li節點的所有直接a節點,
# 因爲//li用於選中所有li節點,/a用於選中li節點的所有直接子節點a
result=html.xpath('//li/a')
print(type(html))
print(type(result))
print(result)
5、獲取父節點
我們知道通過連續的/或者//可以查找子節點或子孫節點,那麼要查找父節點可以使用..來實現也可以使用parent::來獲取父節點
from lxml import etree
from lxml.etree import HTMLParser
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一個</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//a[@href="link2.html"]/../@class')
result1=html.xpath('//a[@href="link2.html"]/parent::*/@class')
print(result)
print(result1)
6、屬性匹配
在選取的時候,我們還可以用@
符號進行屬性過濾。比如,這裏如果要選取class
爲item-1
的li
節點,可以這樣實現:
from lxml import etree
from lxml.etree import HTMLParser
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一個</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]')
print(result)
7、文本獲取
我們用XPath中的text()方法獲取節點中的文本
from lxml import etree
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一個</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]/a/text()') #獲取a節點下的內容
result1=html.xpath('//li[@class="item-1"]//text()') #獲取li下所有子孫節點的內容
print(result)
print(result1)
8、屬性獲取
使用@符號即可獲取節點的屬性,如下:獲取所有li節點下所有a節點的href屬性
text='''
<div>
<ul>
<li class="item-0"><a href="link1.html">第一個</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li/a/@href') #獲取a的href屬性
result1=html.xpath('//li//@href') #獲取所有li子孫節點的href屬性
print(result)
print(result1)
9、屬性多值匹配
如果某個屬性的值有多個時,我們可以使用contains()函數來獲取
from lxml import etree
text1='''
<div>
<ul>
<li class="aaa item-0"><a href="link1.html">第一個</a></li>
<li class="bbb item-1"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[@class="aaa"]/a/text()')
result1=html.xpath('//li[contains(@class,"aaa")]/a/text()')
print(result)
print(result1)
#通過第一種方法沒有取到值,通過contains()就能精確匹配到節點了
[]
['第一個']
10、多屬性匹配
另外我們還可能遇到一種情況,那就是根據多個屬性確定一個節點,這時就需要同時匹配多個屬性,此時可用運用and運算符來連接使用:
from lxml import etree
text1='''
<div>
<ul>
<li class="aaa" name="item"><a href="link1.html">第一個</a></li>
<li class="aaa" name="fore"><a href="link2.html">second item</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[@class="aaa" and @name="fore"]/a/text()')
result1=html.xpath('//li[contains(@class,"aaa") and @name="fore"]/a/text()')
print(result)
print(result1)
11、XPath中的運算符
運算符 | 描述 | 實例 | 返回值 |
or |
或 | age=19 or age=20 | 如果age等於19或者等於20則返回true反正返回false |
and | 與 | age>19 and age<21 | 如果age等於20則返回true,否則返回false |
mod | 取餘 | 5 mod 2 | 1 |
| | 取兩個節點的集合 | //book | //cd | 返回所有擁有book和cd元素的節點集合 |
+ | 加 | 6+4 | 10 |
- | 減 | 6-4 | 2 |
* | 乘 | 6*4 | 24 |
div | 除法 | 8 div 4 | 2 |
= | 等於 | age=19 | true |
!= | 不等於 | age!=19 | true |
< | 小於 | age<19 | true |
<= | 小於或等於 | age<=19 | true |
> | 大於 | age>19 | true |
>= | 大於或等於 | age>=19 | true |
12、按序選擇
有時候,我們在選擇的時候某些屬性可能同時匹配多個節點,但我們只想要其中的某個節點,如第二個節點或者最後一個節點,這時可以利用中括號引入索引的方法獲取特定次序的節點:
from lxml import etree
text1='''
<div>
<ul>
<li class="aaa" name="item"><a href="link1.html">第一個</a></li>
<li class="aaa" name="item"><a href="link1.html">第二個</a></li>
<li class="aaa" name="item"><a href="link1.html">第三個</a></li>
<li class="aaa" name="item"><a href="link1.html">第四個</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[contains(@class,"aaa")]/a/text()') #獲取所有li節點下a節點的內容
result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()') #獲取第一個
result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()') #獲取最後一個
result3=html.xpath('//li[position()>2 and position()<4][contains(@class,"aaa")]/a/text()') #獲取第一個
result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()') #獲取倒數第三個
print(result)
print(result1)
print(result2)
print(result3)
print(result4)
這裏使用了last()、position()函數,在XPath中,提供了100多個函數,包括存取、數值、字符串、邏輯、節點、序列等處理功能,它們的具體作用可參考:http://www.w3school.com.cn/xpath/xpath_functions.asp
13、節點軸選擇
XPath提供了很多節點選擇方法,包括獲取子元素、兄弟元素、父元素、祖先元素等,示例如下:
from lxml import etree
text1='''
<div>
<ul>
<li class="aaa" name="item"><a href="link1.html">第一個</a></li>
<li class="aaa" name="item"><a href="link1.html">第二個</a></li>
<li class="aaa" name="item"><a href="link1.html">第三個</a></li>
<li class="aaa" name="item"><a href="link1.html">第四個</a></li>
</ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[1]/ancestor::*') #獲取所有祖先節點
result1=html.xpath('//li[1]/ancestor::div') #獲取div祖先節點
result2=html.xpath('//li[1]/attribute::*') #獲取所有屬性值
result3=html.xpath('//li[1]/child::*') #獲取所有直接子節點
result4=html.xpath('//li[1]/descendant::a') #獲取所有子孫節點的a節點
result5=html.xpath('//li[1]/following::*') #獲取當前子節之後的所有節點
result6=html.xpath('//li[1]/following-sibling::*') #獲取當前節點的所有同級節點
print(result)
print(result1)
print(result2)
print(result3)
print(result4)
二、案例應用:抓取TIOBE指數前20名排行開發語言
# -*- coding: utf-8 -*-
import requests
from requests.exceptions import RequestException
from lxml import etree
from lxml.etree import ParseError
import json
def one_to_page(html):
headers = { 'user-agent':
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
'AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/67.0.3396.62 Safari/537.36'}
print("headers = ", headers)
try:
response = requests.get(html, headers = headers)
body = response.text #獲取網頁內容
except RequestException as e:
print("request is error!", e)
try:
# 解析HTML文本內容
html = etree.HTML(body, etree.HTMLParser())
# 獲取列表數據
result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()')
pos = 0
for i in range(20):
if i == 0:
yield result[i:5]
else:
yield result[pos:pos+5]
pos += 5
except ParseError as e :
print(e.position)
# 將數據重新組合成字典寫入文件並輸出
def write_file(data):
for i in data:
sul = {
'2018年6月排行': i[0],
'2017年6排行': i[1],
'開發語言': i[2],
'評級': i[3],
'變化率': i[4]
}
with open(r"E:\PythonProjects\python_study\python_requests\data.txt",
'a',encoding="utf-8") as f:
f.write(json.dumps(sul, ensure_ascii=False)+'\n')
f.close()
print(sul)
return None
def main():
url = 'https://www.tiobe.com/tiobe-index/'
data = one_to_page(url)
revalue = write_file(data)
if revalue == None:
print('ok!!!')
if __name__ == '__main__':
main()
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'}
{'2018年6月排行': '1', '2017年6排行': '1', '開發語言': 'Java', '評級': '16.884%', '變化率': '-0.92%'}
{'2018年6月排行': '2', '2017年6排行': '2', '開發語言': 'C', '評級': '16.180%', '變化率': '+0.80%'}
{'2018年6月排行': '3', '2017年6排行': '4', '開發語言': 'Python', '評級': '9.089%', '變化率': '+1.93%'}
{'2018年6月排行': '4', '2017年6排行': '3', '開發語言': 'C++', '評級': '6.229%', '變化率': '-1.36%'}
{'2018年6月排行': '5', '2017年6排行': '6', '開發語言': 'C#', '評級': '3.860%', '變化率': '+0.37%'}
{'2018年6月排行': '6', '2017年6排行': '5', '開發語言': 'Visual Basic .NET', '評級': '3.745%', '變化率': '-2.14%'}
{'2018年6月排行': '7', '2017年6排行': '8', '開發語言': 'JavaScript', '評級': '2.076%', '變化率': '-0.20%'}
{'2018年6月排行': '8', '2017年6排行': '9', '開發語言': 'SQL', '評級': '1.935%', '變化率': '-0.10%'}
{'2018年6月排行': '9', '2017年6排行': '7', '開發語言': 'PHP', '評級': '1.909%', '變化率': '-0.89%'}
{'2018年6月排行': '10', '2017年6排行': '15', '開發語言': 'Objective-C', '評級': '1.501%', '變化率': '+0.30%'}
{'2018年6月排行': '11', '2017年6排行': '28', '開發語言': 'Groovy', '評級': '1.394%', '變化率': '+0.96%'}
{'2018年6月排行': '12', '2017年6排行': '10', '開發語言': 'Swift', '評級': '1.362%', '變化率': '-0.14%'}
{'2018年6月排行': '13', '2017年6排行': '18', '開發語言': 'Ruby', '評級': '1.318%', '變化率': '+0.21%'}
{'2018年6月排行': '14', '2017年6排行': '13', '開發語言': 'Assembly language', '評級': '1.307%', '變化率': '+0.06%'}
{'2018年6月排行': '15', '2017年6排行': '14', '開發語言': 'R', '評級': '1.261%', '變化率': '+0.05%'}
{'2018年6月排行': '16', '2017年6排行': '20', '開發語言': 'Visual Basic', '評級': '1.234%', '變化率': '+0.58%'}
{'2018年6月排行': '17', '2017年6排行': '12', '開發語言': 'Go', '評級': '1.100%', '變化率': '-0.15%'}
{'2018年6月排行': '18', '2017年6排行': '17', '開發語言': 'Delphi/Object Pascal', '評級': '1.046%', '變化率': '-0.11%'}
{'2018年6月排行': '19', '2017年6排行': '16', '開發語言': 'Perl', '評級': '1.023%', '變化率': '-0.14%'}
{'2018年6月排行': '20', '2017年6排行': '11', '開發語言': 'MATLAB', '評級': '0.924%', '變化率': '-0.39%'}
ok!!!