目录
lxml库(lxml安装可查看上一篇文章)
Element类
1、节点操作
2、属性操作
3、文本操作
4、文件解析与输出
5、ElementPath
6、案例(尤其最后的一篇代码)
围绕三个问题:
问题1:有一个XML文件,如何解析
问题2:解析后,如果查找、定位某个标签
问题3:定位后如何操作标签,比如访问属性、文本内容等
导入模块,该库常用的XML处理功能都在lxml.etree中
from lxml import etree
Element是XML处理的核心类,Element对象可以直观的理解为XML的节点,大部分XML节点的处理都是围绕该类进行的。这部分包括三个内容:节点的操作、节点属性的操作、节点内文本的操作。
1、创建Element对象
使用Element
方法,参数即节点名称。
>>> root = etree.Element('root')
>>> print(root)
2、获取节点名称
使用tag
属性,获取节点的名称。
>>> print(root.tag)
root
3、输出XML内容
使用tostring
方法输出XML内容,参数为Element对象。
>>> print(etree.tostring(root))
b' '
4、添加子节点
使用SubElement
方法创建子节点,第一个参数为父节点(Element对象),第二个参数为子节点名称。
>>> child1 = etree.SubElement(root, 'child1')
>>> child2 = etree.SubElement(root, 'child2')
>>> child3 = etree.SubElement(root, 'child3')
5、删除子节点
使用remove
方法删除指定节点,参数为Element对象。clear方法清空所有节点。
>>> root.remove(child1) # 删除指定子节点
>>> print(etree.tostring(root))
b' '
>>> root.clear() # 清除所有子节点
>>> print(etree.tostring(root))
b' '
6、以列表的方式操作子节点
可以将Element对象的子节点视为列表进行各种操作:
>>> child = root[0] # 下标访问
>>> print(child.tag)
child1
>>> print(len(root)) # 子节点数量
3
>>> root.index(child2) # 获取索引号
1
>>> for child in root: # 遍历
... print(child.tag)
child1
child2
child3
>>> root.insert(0, etree.Element('child0')) # 插入
>>> start = root[:1] # 切片
>>> end = root[-1:]
>>> print(start[0].tag)
child0
>>> print(end[0].tag)
child3
>>> root.append( etree.Element('child4') ) # 尾部添加
>>> print(etree.tostring(root))
b' '
7、获取父节点
使用getparent
方法可以获取父节点。
>>> print(child1.getparent().tag)
root
属性是以key-value的方式存储的,就像字典一样。
1、创建属性
可以在创建Element对象时同步创建属性,第二个参数即为属性名和属性值:
>>> root = etree.Element('root', interesting='totally')
>>> print(etree.tostring(root))
b' '
也可以使用set方法给已有的Element对象添加属性,两个参数分别为属性名和属性值:
>>> root.set('hello', 'Huhu')
>>> print(etree.tostring(root))
b' '
2、获取属性
属性是以key-value的方式存储的,就像字典一样。直接看例子
# get方法获得某一个属性值
>>> print(root.get('interesting'))
totally
# keys方法获取所有的属性名
>>> sorted(root.keys())
['hello', 'interesting']
# items方法获取所有的键值对
>>> for name, value in sorted(root.items()):
... print('%s = %r' % (name, value))
hello = 'Huhu'
interesting = 'totally'
也可以用attrib属性一次拿到所有的属性及属性值存于字典中:
>>> attributes = root.attrib
>>> print(attributes)
{'interesting': 'totally', 'hello': 'Huhu'}
>>> attributes['good'] = 'Bye' # 字典的修改影响节点
>>> print(root.get('good'))
Bye
标签及标签的属性操作介绍完了,最后就剩下标签内的文本了。可以使用text和tail属性、或XPath的方式来访问文本内容。
1、text和tail属性
一般情况,可以用Element的text属性访问标签的文本。
>>> root = etree.Element('root')
>>> root.text = 'Hello, World!'
>>> print(root.text)
Hello, World!
>>> print(etree.tostring(root))
b'Hello, World! '```
XML的标签一般是成对出现的,有开有关,但像HTML则可能出现单一的标签,如下面这段代码中的`
`
`Text
Tail`
Element类提供了tail属性支持单一标签的文本获取。
```python
>>> html = etree.Element('html')
>>> body = etree.SubElement(html, 'body')
>>> body.text = 'Text'
>>> print(etree.tostring(html))
b'Text'
>>> br = etree.SubElement(body, 'br')
>>> print(etree.tostring(html))
b'Text
'
# tail仅在该标签后面追加文本
>>> br.tail = 'Tail'
>>> print(etree.tostring(br))
b'
Tail'
>>> print(etree.tostring(html))
b'Text
Tail'
# tostring方法增加method参数,过滤单一标签,输出全部文本
>>> print(etree.tostring(html, method='text'))
b'TextTail'
2、XPath方式
# 方式一:过滤单一标签,返回文本
>>> print(html.xpath('string()'))
TextTail
# 方式二:返回列表,以单一标签为分隔
>>> print(html.xpath('//text()'))
['Text', 'Tail']
方法二获得的列表,每个元素都会带上它所属节点及文本类型信息,如下:
>>> texts = html.xpath('//text()'))
>>> print(texts[0])
Text
# 所属节点
>>> parent = texts[0].getparent()
>>> print(parent.tag)
body
>>> print(texts[1], texts[1].getparent().tag)
Tail br
# 文本类型:是普通文本还是tail文本
>>> print(texts[0].is_text)
True
>>> print(texts[1].is_text)
False
>>> print(texts[1].is_tail)
True
这部分讲述如何将XML文件解析为Element对象,以及如何将Element对象输出为XML文件。
1. 文件解析
文件解析常用的有fromstring、XML和HTML三个方法。接受的参数都是字符串。
>>> xml_data = 'data '
# fromstring方法
>>> root1 = etree.fromstring(xml_data)
>>> print(root1.tag)
root
>>> print(etree.tostring(root1))
b'data '
# XML方法,与fromstring方法基本一样
>>> root2 = etree.XML(xml_data)
>>> print(root2.tag)
root
>>> print(etree.tostring(root2))
b'data '
# HTML方法,如果没有和标签,会自动补上
>>> root3 = etree.HTML(xml_data)
>>> print(root3.tag)
html
>>> print(etree.tostring(root3))
b'data '
2. 输出
输出其实就是前面一直在用的tostring方法了,这里补充xml_declaration和encoding两个参数,前者是XML声明,后者是指定编码。
>>> root = etree.XML(' ')
>>> print(etree.tostring(root))
b' '
# XML声明
>>> print(etree.tostring(root, xml_declaration=True))
b"\n "
# 指定编码
>>> print(etree.tostring(root, encoding='iso-8859-1'))
b"\n "
讲ElementPath前,需要引入ElementTree类,一个ElementTree对象可理解为一个完整的XML树,每个节点都是一个Element对象。而ElementPath则相当于XML中的XPath。用于搜索和定位Element元素。
这里介绍两个常用方法,可以满足大部分搜索、查询需求,它们的参数都是XPath语句(关于XPath的学习可以查看我之前的一片文章):
findall():返回所有匹配的元素,返回列表
find():返回匹配到的第一个元素
>>> root = etree.XML("aText ")
# 查找第一个b标签
>>> print(root.find('b'))
None
>>> print(root.find('a').tag)
a
# 查找所有b标签,返回Element对象组成的列表
>>> [ b.tag for b in root.findall('.//b') ]
['b', 'b']
# 根据属性查询
>>> print(root.findall('.//a[@x]')[0].tag)
a
>>> print(root.findall('.//a[@y]'))
[]
以上内容大多来自此原文:Python lxml教程-SKYue
案例1.py
'''
安装lxml
'''
from lxml import etree
'''
用lxml来解析HTML代码
'''
text = '''
'''
# 利用etree.HTML把字符串解析成HTML文档
html = etree.HTML(text)
s = etree.tostring(html)
print(s)
案例2.html
Everyday Italian
Gidada De
2018
23
Python is Python
Food War
2008
83
Running
Klaus Kuka
2010
43
案例2.py
from lxml import etree
# 只能读取xml格式内容,html报错
html = etree.parse("./v30.html")
rst = etree.tostring(html, pretty_print=True)
print(rst)
案例3.py
from lxml import etree
# 只能读取xml格式内容,html报错
html = etree.parse("./v30.html")
print(type(html))
rst = html.xpath('//book')
print(type(rst))
print(rst)
# xpath的意识是,查找带有category属性值为sport的book元素
rst = html.xpath('//book[@category="sport"]')
print(type(rst))
print(rst)
# xpath的意识是,查找带有category属性值为sport的book元素下的year元素
rst = html.xpath('//book[@category="sport"]/year')
rst = rst[0]
print(type(rst))
print(rst.tag)
print(rst.text)
目前有很多xml,html文档的parser,如标准库的xml.etree , beautifulsoup , 还有lxml. 都用下来感觉lxml不错,速度也还行,就他了.
围绕三个问题:
这些操作应该算是比较基础的,还可以自己在网上查找相关教程,官网更详细一点,进阶xpath语法,要在以后操作xml文件和html文件用上.
#!/usr/bin/python
# coding=utf-8
# __author__='dahu'
#
'''
Element是XML处理的核心类,
Element对象可以直观的理解为XML的节点,大部分XML节点的处理都是围绕该类进行的。
这部分包括三个内容:节点的操作、节点属性的操作、节点内文本的操作。
'''
from lxml import etree
# 1.创建element
root = etree.Element('root')
print root, root.tag
# 2.添加子节点
child1 = etree.SubElement(root, 'child1')
child2 = etree.SubElement(root, 'child2')
# 3.删除子节点
# root.remove(child2)
# 4.删除所有子节点
# root.clear()
# 5.以列表的方式操作子节点
print(len(root))
print root.index(child1) # 索引号
root.insert(0, etree.Element('child3')) # 按位置插入
root.append(etree.Element('child4')) # 尾部添加
# 6.获取父节点
print(child1.getparent().tag)
# print root[0].getparent().tag #用列表获取子节点,再获取父节点
'''以上都是节点操作'''
# 7.创建属性
# root.set('hello', 'dahu') #set(属性名,属性值)
# root.set('hi', 'qing')
# 8.获取属性
# print(root.get('hello')) #get方法
# print root.keys(),root.values(),root.items() #参考字典的操作
# print root.attrib #直接拿到属性存放的字典,节点的attrib,就是该节点的属性
'''以上是属性的操作'''
# 9.text和tail属性
# root.text = 'Hello, World!'
# print root.text
# 10.test,tail和text的结合
html = etree.Element('html')
html.text = 'html.text'
body = etree.SubElement(html, 'body')
body.text = 'wo ai ni'
child = etree.SubElement(body, 'child')
child.text='child.text' #一般情况下,如果一个节点的text没有内容,就只有>符号,如果有内容,才会<>,>都有
child.tail = 'tails' # tail是在标签后面追加文本
print(etree.tostring(html))
# print(etree.tostring(html, method='text')) # 只输出text和tail这种文本文档,输出的内容连在一起,不实用
#11.Xpath方式
# print(html.xpath('string()')) #这个和上面的方法一样,只返回文本的text和tail
print(html.xpath('//text()')) #这个比较好,按各个文本值存放在列表里面
tt=html.xpath('//text()')
print tt[0].getparent().tag #这个可以,首先我可以找到存放每个节点的text的列表,然后我再根据text找相应的节点
# for i in tt:
# print i,i.getparent().tag,'\t',
#12.判断文本类型
print tt[0].is_text,tt[-1].is_tail #判断是普通text文本,还是tail文本
'''以上都是文本的操作'''
#13.字符串解析,fromstring方式
xml_data = 'html.textwo ai nichild.text tails'
root1=etree.fromstring(xml_data) #fromstring,字面意思,直接来源字符串
# print root1.tag
# print etree.tostring(root1)
#14.xml方式
root2 = etree.XML(xml_data) #和fromstring基本一样,
print etree.tostring(root2)
#15.文件类型解析
tree =etree.parse('text') #文件解析成元素树
root3 = tree.getroot() #获取元素树的根节点
print etree.tostring(root3,pretty_print=True)
parser= etree.XMLParser(remove_blank_text=True) #去除xml文件里的空行
root = etree.XML(" ",parser)
print etree.tostring(root)
#16.html方式
xml_data1='data '
root4 = etree.HTML(xml_data1)
print(etree.tostring(root4))#HTML方法,如果没有和标签,会自动补上
#注意,如果是需要补全的html格式:这样处理哦
with open("quotes-1.html",'r')as f:
a=H.document_fromstring(f.read().decode("utf-8"))
for i in a.xpath('//div[@class="quote"]/span[@class="text"]/text()'):
print i
#17.输出内容,输出xml格式
print etree.tostring(root)
print(etree.tostring(root, xml_declaration=True,pretty_print=True,encoding='utf-8'))#指定xml声明和编码
'''以上是文件IO操作'''
#18.findall方法
root = etree.XML("aText ")
print(root.findall('a')[0].text)#findall操作返回列表
print(root.find('.//a').text) #find操作就相当与找到了这个元素节点,返回匹配到的第一个元素
print(root.find('a').text)
print [ b.text for b in root.findall('.//a') ] #配合列表解析,相当帅气!
print(root.findall('.//a[@x]')[0].tag) #根据属性查询
'''以上是搜索和定位操作'''
print(etree.iselement(root))
print root[0] is root[1].getprevious() #子节点之间的顺序
print root[1] is root[0].getnext()
'''其他技能'''
# 遍历元素数
root = etree.Element("root")
etree.SubElement(root, "child").text = "Child 1"
etree.SubElement(root, "child").text = "Child 2"
etree.SubElement(root, "another").text = "Child 3"
etree.SubElement(root[0], "childson").text = "son 1"
# for i in root.iter(): #深度遍历
# for i in root.iter('child'): #只迭代目标值
# print i.tag,i.text
# print etree.tostring(root,pretty_print=True)