怎么在python3项目中安装lxml解析库

tangjin

作者

本篇文章给大家分享的是有关怎么在python3项目中安装lxml解析库，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

1、python库lxml的安装

怎么在python3项目中安装lxml解析库

windows系统下的安装：

#pip安装
pip3installlxml

#wheel安装
#下载对应系统版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
pip3installlxml-4.2.1-cp36-cp36m-win_amd64.whl

linux下安装：

yuminstall-yepel-releaselibxslt-devellibxml2-developenssl-devel

pip3installlxml

验证安装：

$python3
>>>importlxml

2、XPath常用规则

表达式	描述
nodename	选取此节点的所有子节点
/	从当前节点选取直接子节点
//	从当前节点选取子孙节点
.	选取当前节点
..	选取当前节点的父节点
@	选取属性
*	通配符，选择所有元素节点与元素名
@*	选取所有属性
[@attrib]	选取具有给定属性的所有元素
[@attrib='value']	选取给定属性具有给定值的所有元素
[tag]	选取所有具有指定元素的直接子节点
[tag='text']	选取所有具有指定元素并且文本内容是text节点

（1）读取文本解析节点

fromlxmlimportetree

text='''
<div>
<ul>
<liclass="item-0"><ahref="link1.html">第一个</a></li>
<liclass="item-1"><ahref="link2.html">seconditem</a></li>
<liclass="item-0"><ahref="link5.html">a属性</a>
</ul>
</div>
'''
html=etree.HTML(text)#初始化生成一个XPath解析对象
result=etree.tostring(html,encoding='utf-8')#解析对象输出代码
print(type(html))
print(type(result))
print(result.decode('utf-8'))

#etree会修复HTML文本节点
<class'lxml.etree._Element'>
<class'bytes'>
<html><body><div>
<ul>
<liclass="item-0"><ahref="link1.html">第一个</a></li>
<liclass="item-1"><ahref="link2.html">seconditem</a></li>
<liclass="item-0"><ahref="link5.html">a属性</a>
</li></ul>
</div>
</body></html>

（2）读取HTML文件进行解析

fromlxmlimportetree

html=etree.parse('test.html',etree.HTMLParser())#指定解析器HTMLParser会根据文件修复HTML文件中缺失的如声明信息
result=etree.tostring(html)#解析成字节
#result=etree.tostringlist(html)#解析成列表
print(type(html))
print(type(result))
print(result)

#
<class'lxml.etree._ElementTree'>
<class'bytes'>
b'<!DOCTYPEhtmlPUBLIC"-//W3C//DTDHTML4.0Transitional//EN""http://www.w3.org/TR/REC-html40/loose.dtd">\n<html><body><div>&#13;\n<ul>&#13;\n<liclass="item-0"><ahref="link1.html">firstitem</a></li>&#13;\n<liclass="item-1"><ahref="link2.html">seconditem</a></li>&#13;\n<liclass="item-inactive"><ahref="link3.html">thirditem</a></li>&#13;\n<liclass="item-1"><ahref="link4.html">fourthitem</a></li>&#13;\n<liclass="item-0"><ahref="link5.html">fifthitem</a>&#13;\n</li></ul>&#13;\n</div>&#13;\n</body></html>'

（3）获取所有节点

返回一个列表每个元素都是Element类型，所有节点都包含在其中

fromlxmlimportetree

html=etree.parse('test',etree.HTMLParser())
result=html.xpath('//*')#//代表获取子孙节点，*代表获取所有

print(type(html))
print(type(result))
print(result)

#
<class'lxml.etree._ElementTree'>
<class'list'>
[<Elementhtmlat0x754b210048>,<Elementbodyat0x754b210108>,<Elementdivat0x754b210148>,<Elementulat0x754b210188>,<Elementliat0x754b2101c8>,<Elementaat0x754b210248>,<Elementliat0x754b210288>,<Elementaat0x754b2102c8>,<Elementliat0x754b210308>,<Elementaat0x754b210208>,<Elementliat0x754b210348>,<Elementaat0x754b210388>,<Elementliat0x754b2103c8>,<Elementaat0x754b210408>]

如要获取li节点，可以使用//后面加上节点名称，然后调用xpath()方法

html.xpath('//li')#获取所有子孙节点的li节点

（4）获取子节点

通过/或者//即可查找元素的子节点或者子孙节点，如果想选择li节点的所有直接a节点，可以这样使用

result=html.xpath('//li/a')#通过追加/a选择所有li节点的所有直接a节点，因为//li用于选中所有li节点，/a用于选中li节点的所有直接子节点a

（5）获取父节点

我们知道通过连续的/或者//可以查找子节点或子孙节点，那么要查找父节点可以使用..来实现也可以使用parent::来获取父节点

fromlxmlimportetree
fromlxml.etreeimportHTMLParser
text='''
<div>
<ul>
<liclass="item-0"><ahref="link1.html">第一个</a></li>
<liclass="item-1"><ahref="link2.html">seconditem</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)


#
['item-1']
['item-1']

（6）属性匹配

在选取的时候，我们还可以用@符号进行属性过滤。比如，这里如果要选取class为item-1的li节点，可以这样实现:

fromlxmlimportetree
fromlxml.etreeimportHTMLParser
text='''
<div>
<ul>
<liclass="item-0"><ahref="link1.html">第一个</a></li>
<liclass="item-1"><ahref="link2.html">seconditem</a></li>
</ul>
</div>
'''

html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]')
print(result)

（7）文本获取

我们用XPath中的text()方法获取节点中的文本

fromlxmlimportetree

text='''
<div>
<ul>
<liclass="item-0"><ahref="link1.html">第一个</a></li>
<liclass="item-1"><ahref="link2.html">seconditem</a></li>
</ul>
</div>
'''

html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]/a/text()')#获取a节点下的内容
result1=html.xpath('//li[@class="item-1"]//text()')#获取li下所有子孙节点的内容

print(result)
print(result1)

（8）属性获取

使用@符号即可获取节点的属性，如下：获取所有li节点下所有a节点的href属性

result=html.xpath('//li/a/@href')#获取a的href属性
result=html.xpath('//li//@href')#获取所有li子孙节点的href属性

（9）属性多值匹配

如果某个属性的值有多个时，我们可以使用contains()函数来获取

fromlxmlimportetree

text1='''
<div>
<ul>
<liclass="aaaitem-0"><ahref="link1.html">第一个</a></li>
<liclass="bbbitem-1"><ahref="link2.html">seconditem</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)

#通过第一种方法没有取到值，通过contains（）就能精确匹配到节点了
[]
['第一个']

（10）多属性匹配

另外我们还可能遇到一种情况，那就是根据多个属性确定一个节点，这时就需要同时匹配多个属性，此时可用运用and运算符来连接使用：

fromlxmlimportetree

text1='''
<div>
<ul>
<liclass="aaa"name="item"><ahref="link1.html">第一个</a></li>
<liclass="aaa"name="fore"><ahref="link2.html">seconditem</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)


#
['seconditem']
['seconditem']

（11）XPath中的运算符

运算符	描述	实例	返回值
or	或	age=19 or age=20	如果age等于19或者等于20则返回true反正返回false
and	与	age>19 and age<21	如果age等于20则返回true，否则返回false
mod	取余	5 mod 2	1
\|	取两个节点的集合	//book \| //cd	返回所有拥有book和cd元素的节点集合
+	加	6+4	10
-	减	6-4	2
*	乘	6*4	24
div	除法	8 div 4	2
=	等于	age=19	true
!=	不等于	age!=19	true
<	小于	age<19	true
<=	小于或等于	age<=19	true
>	大于	age>19	true
>=	大于或等于	age>=19	true

此表参考来源:http://www.w3school.com.cn/xpath/xpath_operators.asp

（12）按序选择

有时候，我们在选择的时候某些属性可能同时匹配多个节点，但我们只想要其中的某个节点，如第二个节点或者最后一个节点，这时可以利用中括号引入索引的方法获取特定次序的节点：

fromlxmlimportetree

text1='''
<div>
<ul>
<liclass="aaa"name="item"><ahref="link1.html">第一个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第二个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第三个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第四个</a></li>
</ul>
</div>
'''

html=etree.HTML(text1,etree.HTMLParser())

result=html.xpath('//li[contains(@class,"aaa")]/a/text()')#获取所有li节点下a节点的内容
result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()')#获取第一个
result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()')#获取最后一个
result3=html.xpath('//li[position()>2andposition()<4][contains(@class,"aaa")]/a/text()')#获取第一个
result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()')#获取倒数第三个


print(result)
print(result1)
print(result2)
print(result3)
print(result4)


#
['第一个','第二个','第三个','第四个']
['第一个']
['第四个']
['第三个']
['第二个']

这里使用了last()、position()函数，在XPath中，提供了100多个函数，包括存取、数值、字符串、逻辑、节点、序列等处理功能，它们的具体作用可参考：http://www.w3school.com.cn/xpath/xpath_functions.asp

（13）节点轴选择

XPath提供了很多节点选择方法，包括获取子元素、兄弟元素、父元素、祖先元素等，示例如下：

fromlxmlimportetree

text1='''
<div>
<ul>
<liclass="aaa"name="item"><ahref="link1.html">第一个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第二个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第三个</a></li>
<liclass="aaa"name="item"><ahref="link1.html">第四个</a></li>
</ul>
</div>
'''

html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[1]/ancestor::*')#获取所有祖先节点
result1=html.xpath('//li[1]/ancestor::div')#获取div祖先节点
result2=html.xpath('//li[1]/attribute::*')#获取所有属性值
result3=html.xpath('//li[1]/child::*')#获取所有直接子节点
result4=html.xpath('//li[1]/descendant::a')#获取所有子孙节点的a节点
result5=html.xpath('//li[1]/following::*')#获取当前子节之后的所有节点
result6=html.xpath('//li[1]/following-sibling::*')#获取当前节点的所有同级节点


#
[<Elementhtmlat0x3ca6b960c8>,<Elementbodyat0x3ca6b96088>,<Elementdivat0x3ca6b96188>,<Elementulat0x3ca6b961c8>]
[<Elementdivat0x3ca6b96188>]
['aaa','item']
[<Elementaat0x3ca6b96248>]
[<Elementaat0x3ca6b96248>]
[<Elementliat0x3ca6b96308>,<Elementaat0x3ca6b96348>,<Elementliat0x3ca6b96388>,<Elementaat0x3ca6b963c8>,<Elementliat0x3ca6b96408>,<Elementaat0x3ca6b96488>]
[<Elementliat0x3ca6b96308>,<Elementliat0x3ca6b96388>,<Elementliat0x3ca6b96408>]

以上使用的是XPath轴的用法，更多轴的用法可参考：http://www.w3school.com.cn/xpath/xpath_axes.asp

（14）案例应用：抓取TIOBE指数前20名排行开发语言

#!/usr/bin/envpython
#coding:utf-8
importrequests
fromrequests.exceptionsimportRequestException
fromlxmlimportetree
fromlxml.etreeimportParseError
importjson

defone_to_page(html):
headers={
'user-agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/67.0.3396.62Safari/537.36'
}
try:
response=requests.get(html,headers=headers)
body=response.text#获取网页内容
exceptRequestExceptionase:
print('requestiserror!',e)
try:
html=etree.HTML(body,etree.HTMLParser())#解析HTML文本内容
result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()')#获取列表数据
pos=0
foriinrange(20):
ifi==0:
yieldresult[i:5]
else:
yieldresult[pos:pos+5]#返回排名生成器数据
pos+=5
exceptParseErrorase:
print(e.position)


defwrite_file(data):#将数据重新组合成字典写入文件并输出
foriindata:
sul={
'2018年6月排行':i[0],
'2017年6排行':i[1],
'开发语言':i[2],
'评级':i[3],
'变化率':i[4]
}
withopen('test.txt','a',encoding='utf-8')asf:
f.write(json.dumps(sul,ensure_ascii=False)+'\n')#必须格式化数据
f.close()
print(sul)
returnNone


defmain():
url='https://www.tiobe.com/tiobe-index/'
data=one_to_page(url)
revaule=write_file(data)
ifrevaule==None:
print('ok')




if__name__=='__main__':
main()



#
{'2018年6月排行':'1','2017年6排行':'1','开发语言':'Java','评级':'15.368%','变化率':'+0.88%'}
{'2018年6月排行':'2','2017年6排行':'2','开发语言':'C','评级':'14.936%','变化率':'+8.09%'}
{'2018年6月排行':'3','2017年6排行':'3','开发语言':'C++','评级':'8.337%','变化率':'+2.61%'}
{'2018年6月排行':'4','2017年6排行':'4','开发语言':'Python','评级':'5.761%','变化率':'+1.43%'}
{'2018年6月排行':'5','2017年6排行':'5','开发语言':'C#','评级':'4.314%','变化率':'+0.78%'}
{'2018年6月排行':'6','2017年6排行':'6','开发语言':'VisualBasic.NET','评级':'3.762%','变化率':'+0.65%'}
{'2018年6月排行':'7','2017年6排行':'8','开发语言':'PHP','评级':'2.881%','变化率':'+0.11%'}
{'2018年6月排行':'8','2017年6排行':'7','开发语言':'JavaScript','评级':'2.495%','变化率':'-0.53%'}
{'2018年6月排行':'9','2017年6排行':'-','开发语言':'SQL','评级':'2.339%','变化率':'+2.34%'}
{'2018年6月排行':'10','2017年6排行':'14','开发语言':'R','评级':'1.452%','变化率':'-0.70%'}
{'2018年6月排行':'11','2017年6排行':'11','开发语言':'Ruby','评级':'1.253%','变化率':'-0.97%'}
{'2018年6月排行':'12','2017年6排行':'18','开发语言':'Objective-C','评级':'1.181%','变化率':'-0.78%'}
{'2018年6月排行':'13','2017年6排行':'16','开发语言':'VisualBasic','评级':'1.154%','变化率':'-0.86%'}
{'2018年6月排行':'14','2017年6排行':'9','开发语言':'Perl','评级':'1.147%','变化率':'-1.16%'}
{'2018年6月排行':'15','2017年6排行':'12','开发语言':'Swift','评级':'1.145%','变化率':'-1.06%'}
{'2018年6月排行':'16','2017年6排行':'10','开发语言':'Assemblylanguage','评级':'0.915%','变化率':'-1.34%'}
{'2018年6月排行':'17','2017年6排行':'17','开发语言':'MATLAB','评级':'0.894%','变化率':'-1.10%'}
{'2018年6月排行':'18','2017年6排行':'15','开发语言':'Go','评级':'0.879%','变化率':'-1.17%'}
{'2018年6月排行':'19','2017年6排行':'13','开发语言':'Delphi/ObjectPascal','评级':'0.875%','变化率':'-1.28%'}
{'2018年6月排行':'20','2017年6排行':'20','开发语言':'PL/SQL','评级':'0.848%','变化率':'-0.72%'}

以上就是怎么在python3项目中安装lxml解析库，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注恰卡编程网行业资讯频道。

阅读全文

发布于 2021-03-02 23:48:30

python3