Python中的lxml模块指的是什么
Python中的lxml模块指的是什么
Python中的lxml模块指的是什么,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
1、了解lxml模块和xpath语法
对html
或xml形式的文本提取特定的内容,就需要我们掌握lxml模块的使用和xpath语法。
lxml模块可以利用xPath规则语法,来快速的定位HEML \ XML 文档中特定元素以及获取节点信息(文本内容、属性值);XPath
(XML Path Language)是一门HTML\XML 文档中查找信息的语言,可用来在HTML|XML文档中对元素和属性进行遍历。
提取xml、html的数据需要lxml模块和xpath语法配合使用;
2、谷歌浏览器xpath helper插件的安装和使用
在谷歌浏览器中对当前页面测试xpath语法规则。
谷歌浏览器xpath helper插件的安装和使用
我们以windows
为例进行xpath helper的安装。
xpath helper
插件的安装:
1)、下载Chrome插件 XPath Helper
可以在Chrome应用商城进行下载,如果无法下载,也可以从下面的链接进行下载
2)、把文件的后缀名crx改为rar,然后解压到同名文件夹中;
3)、把解压后的文件夹拖入到已经开启开发者模式的chrome浏览器扩展程序界面;
3、xpath 的节点关系
学习xpath语法需要先了解xpath中的节点关系。
3.1 xpath中的节点什么
每个html
、xml的标签我们都称之为节点,其中最顶层的节点称为根节点。我们以xml
为例、html也是一样的。、
3.2 xpath中节点的关系
author
是 title
的第一个兄弟节点。
4、xpath语法 - 选取节点以及提取属性或文本内容的语法
1)、XPath 使用路径表达式来选取XML文档中的节点或者节点集。
2)、这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似;
3)、使用chrome插件选择标签时候,选中的标签会添加属性class=“xh-highlight”;
4.1 xpath定位节点以及提取属性或文本内容的语法
5、xpath 语法 - 选取特定节点的语法
可以根据标签的属性值,下标等来获取特定的节点。
5.1 选取特定节点的语法
5.2 关于xpath的下标
在xpath中,第一个元素的位置是1;
最后一个元素的位置是last();
倒数第二个是last() - 1;
6、xpath语法 - 选取未知节点的语法
可以同通配符来选取未知的html
、xml
的元素。
6.1、选取未知节点的语法
7.lxml模块的安装与使用示例
lxml模块是一个第三方模块,安装之后使用。
7.1 lxml模块的安装
对发送请求获取的xml或html形式的响应内容进行提取。
pip install lxml
7.2 爬虫对html提取的内容
提取标签中的文本内容;
提取标签中的属性的值;
比如,提取a标签中href属性的值,获取url,进而继续发起请求。
7.3 lxml模块的使用
1)、导入lxml的etree库
from lxml import etree
2)、利用etree.HTML
,将html字符串(bytes类型或str类型)转化为Element
对象,Element
对象具有xpath的方法,返回结果的类别。
html=etree.HTML(text)ret_list=html.xpath("xpath语法规则字符串")
3)、xpath方法返回列表的三种情况
返回空列表:根据xpath语法规则字符串,没有定位到任何元素;
返回由字符串构成的列表:xpath字符串规则匹配的一定是文本内容或某属性的值;
返回由Element
对象构成的列表:xpath规则字符串匹配的是标签,列表中的Element
对象可以继续进行xpath;
importrequestsfromlxmlimportetreeclassTieba(object):def__init__(self,name):self.url="https://tieba.baidu.com/f?ie=utf-8&kw={}".format(name)self.headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/96.0.4664.110Safari/537.36'}defget_data(self,url):response=requests.get(url,headers=self.headers)withopen("temp.html","wb")asf:f.write(response.content)returnresponse.contentdefparse_data(self,data):#创建element对象data=data.decode().replace("<!--","").replace("-->","")html=etree.HTML(data)el_list=html.xpath('//li[@class="j_thread_listclearfix"]/div/div[2]/div[1]/div[1]/a')#print(len(el_list))data_list=[]forelinel_list:temp={}temp['title']=el.xpath("./text()")[0]temp['link']='http://tieba.baidu.com'+el.xpath("./@href")[0]data_list.append(temp)#获取下一页urltry:next_url='https:'+html.xpath('//a[contains(text(),"下一页"]/@href')[0]except:next_url=Nonereturndata_list,next_urldefsave_data(self,data_list):fordataindata_list:print(data)defrun(self):#url#headersnext_url=self.urlwhileTrue:#发送请求,获取响应data=self.get_data(self.url)#从响应中提取数据(数据和翻页用的url)data_list,next_url=self.parse_data(data)self.save_data(data_list)print(next_url)#判断是否终结ifnext_url==None:breakif__name__=='__main__':tieba=Tieba("传智播客")tieba.run()
8、lxml模块中etree.tostring函数的使用
运行下边的代码,观察对比html
的原字符串和打印输出的结果
fromlxmlimportetreehtml_str="""<div<<ul><liclass="item-1"><ahref="link1.html"rel="externalnofollow">firstitem</a></li><liclass="item-1"><ahref="link2.html"rel="externalnofollow">seconditem</a></li><liclass="item-inactive"><ahref="link3.html"rel="externalnofollow">thirditem</a></li><liclass="item-1"><ahref="link4.html"rel="externalnofollow">fourthitem</a></li><liclass="item=0"><ahref="link5.html"rel="externalnofollow">fifthitem</a></ur></div>"""html=etree.HTML(html_str)handeled_html_str=etree.tostring(html).decode()print(handeled_html_str)
结论:
lxml.etree.HTML(html_str)
可以自动补全标签;lxml.etree.tostring
函数可以将转换位Element
对象再转换回html字符串;爬虫如果使用
lxml
来提取数据,应该以lxml.etree.tostring
的返回结果作为提取数据的依据;
看完上述内容,你们掌握Python中的lxml模块指的是什么的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注亿速云行业资讯频道,感谢各位的阅读!
推荐阅读
-
python(中无效的十进制怎么解决 python怎么转换进制)
python怎么转换进制?Python执行二进制转换:1.十进制到二进制(bin)首先,让让我们看看如何将十进制转换成二进制。我...
-
python怎么清除完全相同的行(python splte如何分隔有多个相同符号的str)
pythonsplte如何分隔有多个相同符号的str?str你的string内容str_(相同的符号)执行完了以后再在相同符号的...
-
python(编程控制电脑关机 如何控制电脑关机)
如何控制电脑关机?可以在电脑的运行窗口中输入输入公式,给电脑可以设置自动关机。1.按开快捷键winr然后打开运行窗口。2.在运行窗...
-
python中的特殊标识符(python 中 标识符中可以有逗号吗)
python中标识符中可以有逗号吗?在python语言中合法的标识符是字母、数字以及_,所以我合法的标识符中肯定不能有逗号if...
-
python(excel 提取数据写入新表 python导入excel数据找不到工作簿)
python导入excel数据找不到工作簿?我可以导入数据后找不到工作,不是因为他的工作没有被转移。什么软件可提取并合并Exce...
-
python中字典定义的四种方法(python global关键字的用法详解)
pythonglobal关键字的用法详解?global标志实际上是目的是提示python讲解器,说被其修饰的变量是全局变量。这样...
-
python(array用法 python如何对两个数组做差处理)
python如何对两个数组做差处理?Python中的列表中的元素肯定不能真接相加,减。t最佳的位置的是将列表装换成Python中的...
-
python多行注释符号怎么表示
python多行注释符号怎么表示这篇文章主要介绍“python多行...
-
python支持的操作系统是什么
python支持的操作系统是什么这篇文章主要介绍“python支持...
-
python如何判断列表为空
python如何判断列表为空这篇文章主要介绍“python如何判断...