python爬虫6：lxml库

python爬虫6：lxml库

前言

​ python实现网络爬虫非常简单，只需要掌握一定的基础知识和一定的库使用技巧即可。本系列目标旨在梳理相关知识点，方便以后复习。

申明

​ 本系列所涉及的代码仅用于个人研究与讨论，并不会对网站产生不好影响。

目录结构

1. 简介

​ lxml库是python的第三方库，安装方式也是十分简单（pip安装），这里就不多赘述。而lxml库的特点就是简单和易上手，并且解析大型文档（特指xml或html文档）的速度也是比较快的，因此写爬虫解析网页的时候它也是我们的一个不错的选择。

​ 这里大家需要明白一个事情：解析网页，其实就是去获取网页源码中的某些节点中的文本内容或属性值。举个例子，比如我们爬取的是小说网站，那么一般获取的是html代码中某些节点的文本值，再比如我们爬取图片网站，那么一般获取的是html代码中某些节点的属性值，这个属性值一般为url地址，但是这个地址指向的是图片内容而已。

2. 使用与语法

2.1 初始化

​ 初始化：使用lxml库的第一个步骤永远是初始化，只有初始化之后我们才可以去使用它的语法。

​ 初始化方法：

html = etree.HTML(text)

​ 其中：

text ： html内容的字符串
html :  一个lxml库的对象 

​ 例子：

from lxml import etree		#我们主要使用的lxml库中的etree库
text = '''

    

        

        
清空
        
        
发送
    
'''
#开始初始化
html = etree.HTML(text)		#这里需要传入一个html形式的字符串

2.2 方法基础

​ lxml库的语法就是基于xpath语法来的，所以会了xpath语法，自然就会了lxml语法。而在lxml库中，加载xpath语法的方法为：html.xpath('xpath语法')。

​ 而且观察返回的结果，发现大部分返回的都是以列表的形式返回的结果，这一点请注意。

2.3 寻找节点

语法	含义
nodename(节点名字)	直接根据写的节点名字查找节点,如：div
//	在当前节点下的子孙节点中寻找,如：//div
/	在当前节点下的子节点中寻找,如：/div
.	代表当前节点（可省略不写，就像我们有时候写的相对路径），如：./div
…	当前节点的父节点，如：…/div

​ 下面来个例子：

from lxml import etree

text = '''

    
这时测试的div
    

        

            这是嵌套的div标签
            

                这时嵌套的p标签
            
        
    
    
这时测试的p

'''

html = etree.HTML(text)
result = html.xpath('//div')	#使用xpath语法,一是在子孙节点中寻找，二是寻找div的标签
print(result)
#结果：
#[, , ]

2.4 筛选节点

​ 上面只是找到节点，但是找到符合条件的结果非常多，因此我们需要进行筛选工作。

​ **重要说明：**当我们使用筛选时，筛选的方法都是包含在[]（中括号）中的。

方法集合一：属性筛选:

方法名\符号	作用
@	获取属性或者筛选属性,如：@class
contains	判断属性中是否含有某个值（用于多值判断），如：contains(@class,‘hello’)

​ 属性筛选示例：

from lxml import etree

text = '''

    
Hello,this is used to tested


    

        
你好，这是用于测试的html代码
    



    

        
    


'''

#初始化
html = etree.HTML(text)
#根据单一属性筛选

#筛选出class="hello"的div标签
hello_tag = html.xpath('//div[@class="hello"]')		#注意筛选的方法都是在中括号里面的
print(hello_tag)	#结果为： []，即找到了一个标签，符合条件

#找出具有name="btn"的input标签
input_tag = html.xpath('//input[@name="btn"]')
print(input_tag)	#结果为：[]，找到一个input标签，符合条件

#筛选出具有class="hello"的div标签
hello_tags = html.xpath('//div[contains(@class,"hello")]')
print(hello_tags)	#结果为：[, ]，即找到了两个div标签，符合条件

方法集合二：按序选择:

​ 有时候我们会有这样的需求，我们爬取的内容是一个table标签（表格标签），或者一个ul（标签），了解过html的应该都知道这样的标签，内部还有很多标签，比如table标签里就有tr、td等，ul里面就有li标签等。对于这样的标签，我们有时候需要选择第一个或者最后一个或者前几个等。这样的方式我们也可以实现。

方法	作用
last()	获取最后一个标签
1	获取第一个标签
position() < = > num	筛选多个标签（具体见实例）

​ 注意：这里需要注意这里的序是从1开始而不是从0开始。

from lxml import etree

text = '''

    
1
    
2
    
3
    
4
    
5
    
6
    
7
    
8
     
'''

#初始化
html = etree.HTML(text)

#获取第一个li标签
first_tag = html.xpath('//li[1]')	#令人吃惊，lxml并没有first()方法
print(first_tag)

#获取最后一个li标签
last_tag = html.xpath('//li[last()]')
print(last_tag)

#获取前五个标签
li_tags = html.xpath('//li[position() < 6]')
print(li_tags)

方法集合三：逻辑和计算：

​ 其实在写筛选时是可以加入逻辑方法的，如：and、or、>、>=等。当然也是可以写入一些计算方法的，如：+、-等。

​ 下面给出示例：

from lxml import etree

text = '''

    
1
    
2
    
3
    
4
    
5
    
6
    
7
    
8
     
'''

#初始化
html = etree.HTML(text)

#获取第二个li标签，使用=判断
second_tag = html.xpath('//li[position() = 2]')
print(second_tag)

#获取第一个和第二个标签，使用or
tags = html.xpath('//li[position() = 1 or position() = 2]')
print(tags)

#获取前三个标签，使用<
three_tags = html.xpath('//li[position()<4]')
print(three_tags)

2.5 获取属性值或文本内容

​ 我们寻找标签、筛选标签的最终目的就是获取它的属性或者文本内容。下面讲解获取文本和属性的方法。

方法	作用
@	获取属性或者筛选属性
text()	获取文本

​ 举个例子：

from lxml import etree

text = '''

    
Hello,this is used to tested


    

        
你好，这是用于测试的html代码
    



    

        
    


'''

#初始化
html = etree.HTML(text)

#获取第一个div中的p标签中的文本
content = html.xpath('//div/p/text()')    #注意使用text()的时机和位置
print(content)  #结果为：['Hello,this is used to tested']，仍然是以列表形式返回结果

#获取拥有第二个div中的文本,注意观察下面的不同之处
content_two = html.xpath('//div[position() = 2]/text()')
print(content_two)  #结果为： ['\n    ', '\n']

content_three = html.xpath('//div[position() = 2]//text()')
print(content_three)  #结果为： ['\n    ', '\n        ', '你好，这是用于测试的html代码', '\n    ', '\n']
#两者不同之处在于：一个为//，一个为/。我们知道//获取其子孙节点中的内容，而/只获取其子节点的内容。

​ 获取属性示例：

from lxml import etree

text = '''

    
Hello,this is used to tested


    

        
你好，这是用于测试的html代码
    



    

        
    


'''

#初始化
html = etree.HTML(text)

#获取第一个div的name属性
first_div_class = html.xpath('//div[@class="hello"]/@name')
print(first_div_class)  #结果为：['test']

#获取input标签的name值
input_tag_class = html.xpath('//input/@name')
print(input_tag_class) #结果为：['btn']

3. 总结

​ 本篇内容为大家介绍了python爬虫解析库中最为常用的lxml库，其核心的内容在于获取节点、筛选节点、获取节点文本或属性值。

​ 下一篇会以之前讲解的requests+lxml进行一个实战。