Python中lxml库的用法
前言
前面已经学习了requests和beautifulsoup库的知识，大家可以看Python中Requests库的用法，Python中Beautiful Soup的用法，今天再来学习一下用一种网页解析的库lxml。
lxml是Python语言里和XML以及HTML工作的功能最丰富和最容易使用的库。lxml是为libxml2和libxslt库的一个Python化的绑定。它与众不同的地方是它兼顾了这些库的速度和功能完整性，以及纯Python API的简洁性，大部分与熟知的ElementTree API兼容但比之更优越。
lxml库的安装
pip install lxml
利用 pip 安装即可
lxml库的简单用法
首先我们利用它来解析 HTML 代码，先来一个小例子来感受一下它的基本用法。
from lxml import etree
text = '''
'''
html = etree.HTML(text)
result = etree.tostring(html)
print(result)
首先我们使用 lxml 的 etree 库，然后利用 etree.HTML 初始化，然后我们将其打印出来。其中，这里体现了 lxml 的一个非常实用的功能就是自动修正 html 代码，大家应该注意到了，最后一个 li 标签，其实我把尾标签删掉了，是不闭合的。不过，lxml 因为继承了 libxml2 的特性，具有自动修正 HTML 代码的功能。
<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>
</div>
</body></html>
不仅补全了 li 标签，还添加了 body，html 标签。
文件读取
除了直接读取字符串，还支持从文件读取内容。比如我们新建一个文件叫做 hello.html，内容为
<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"><span class="bold">third item</span></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>
</div>
利用 parse 方法来读取文件，同样可以得到相同的结果。
from lxml import etree
html = etree.parse('hello.html')
result = etree.tostring(html, pretty_print=True)
print(result)
实例测试
以上一段程序为例。
（1）获取所有的 li 标签
from lxml import etree
html = etree.parse('hello.html')
print type(html)
result = html.xpath('//li')
print result
print len(result)
print type(result)
print type(result[0])
#运行结果
<type 'lxml.etree._ElementTree'>
[<Element li at 0xc54f288>, <Element li at 0xc56e888>, <Element li at 0xc541408>, <Element li at 0xced7e88>, <Element li at 0xced7508>]
5
<type 'list'>
<type 'lxml.etree._Element'>
可见，etree.parse 的类型是 ElementTree，通过调用 xpath 以后，得到了一个列表，包含了 5 个 li 元素，每个元素都是 Element 类型。
（2）获取 li 标签的所有 class
result = html.xpath('//li/@class')
print result
#运行结果
['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']
（3）获取 li 标签下 href 为 link1.html 的 a 标签
result = html.xpath('//li/a[@href="link1.html"]')
print result
#运行结果
[<Element a at 0xc522a88>]
（4）获取 li 标签下的所有 span 标签
因为 / 是用来获取子元素的，而 span 并不是 li 的子元素，所以，要用双斜杠。
result = html.xpath('//li//span')
print result
#[]
（5）获取 li 标签下的所有 class，不包括 li
result = html.xpath('//li/a//@class')
print result
#['bold']
（6）获取最后一个 li 的 a 的 href
result = html.xpath('//li[last()]/a/@href')
print result
#['link5.html']
（7）获取倒数第二个元素的内容
result = html.xpath('//li[last()-1]/a')
print result[0].text
# fourth item
（8）获取 class 为 bold 的标签名
result = html.xpath('//*[@class="bold"]')
print result[0].tag
# span
小结
希望通过上面的内容能帮助大家深刻理解和学习Python爬虫。如果你有什么好的意见，建议，或者有不同的看法，我都希望你留言和我们进行交流、讨论。
如果想快速联系我，欢迎关注微信公众号：AiryData。
原文链接：