lxml是python的一個解析庫,支持HTML和XML的解析打瘪,支持XPath解析方式脓鹃,而且解析效率非常高
XPath,全稱XML Path Language锄开,即XML路徑語言素标,它是一門在XML文檔中查找信息的語言,它最初是用來搜尋XML文檔的萍悴,但是它同樣適用于HTML文檔的搜索
XPath的選擇功能十分強大头遭,它提供了非常簡明的路徑選擇表達式,另外癣诱,它還提供了超過100個內(nèi)建函數(shù)计维,用于字符串、數(shù)值撕予、時間的匹配以及節(jié)點鲫惶、序列的處理等,幾乎所有我們想要定位的節(jié)點实抡,都可以用XPath來選擇
XPath于1999年11月16日成為W3C標(biāo)準(zhǔn)欠母,它被設(shè)計為供XSLT、XPointer以及其他XML解析軟件使用吆寨,更多的文檔可以訪問其官方網(wǎng)站:https://www.w3.org/TR/xpath/
1赏淌、python庫lxml的安裝
windows系統(tǒng)下的安裝:
#pip安裝
pip3 install lxml
#wheel安裝
#下載對應(yīng)系統(tǒng)版本的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl
linux下安裝:
yum install -y epel-release libxslt-devel libxml2-devel openssl-devel
pip3 install lxml
驗證安裝:
$python3
>>>import lxml
2、XPath常用規(guī)則
表達式 描述
nodename 選取此節(jié)點的所有子節(jié)點
/ 從當(dāng)前節(jié)點選取直接子節(jié)點
// 從當(dāng)前節(jié)點選取子孫節(jié)點
. 選取當(dāng)前節(jié)點
.. 選取當(dāng)前節(jié)點的父節(jié)點
@ 選取屬性
* 通配符啄清,選擇所有元素節(jié)點與元素名
@* 選取所有屬性
[@attrib] 選取具有給定屬性的所有元素
[@attrib='value'] 選取給定屬性具有給定值的所有元素
[tag] 選取所有具有指定元素的直接子節(jié)點
[tag='text'] 選取所有具有指定元素并且文本內(nèi)容是text節(jié)點
(1)讀取文本解析節(jié)點
from lxml import etree
text='''
<div>
? ? <ul>
? ? ? ? <li class="item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="item-1"><a href="link2.html">second item</a></li>
? ? ? ? <li class="item-0"><a href="link5.html">a屬性</a>
? ? </ul>
</div>
'''
html=etree.HTML(text) #初始化生成一個XPath解析對象
result=etree.tostring(html,encoding='utf-8')? #解析對象輸出代碼
print(type(html))
print(type(result))
print(result.decode('utf-8'))
#etree會修復(fù)HTML文本節(jié)點
<class 'lxml.etree._Element'>
<class 'bytes'>
<html><body><div>
? ? <ul>
? ? ? ? <li class="item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="item-1"><a href="link2.html">second item</a></li>
? ? ? ? <li class="item-0"><a href="link5.html">a屬性</a>
? ? </li></ul>
</div>
</body></html>
(2)讀取HTML文件進行解析
from lxml import etree
html=etree.parse('test.html',etree.HTMLParser()) #指定解析器HTMLParser會根據(jù)文件修復(fù)HTML文件中缺失的如聲明信息
result=etree.tostring(html)? #解析成字節(jié)
#result=etree.tostringlist(html) #解析成列表
print(type(html))
print(type(result))
print(result)
#
<class 'lxml.etree._ElementTree'>
<class 'bytes'>
b'<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">\n<html><body><div> \n? ? <ul> \n? ? ? ? <li class="item-0"><a href="link1.html">first item</a></li> \n? ? ? ? <li class="item-1"><a href="link2.html">second item</a></li> \n? ? ? ? <li class="item-inactive"><a href="link3.html">third item</a></li> \n? ? ? ? <li class="item-1"><a href="link4.html">fourth item</a></li> \n? ? ? ? <li class="item-0"><a href="link5.html">fifth item</a> \n? ? </li></ul> \n </div> \n</body></html>'
(3)獲取所有節(jié)點
返回一個列表每個元素都是Element類型猜敢,所有節(jié)點都包含在其中
from lxml import etree
html=etree.parse('test',etree.HTMLParser())
result=html.xpath('//*')? #//代表獲取子孫節(jié)點,*代表獲取所有
print(type(html))
print(type(result))
print(result)
#
<class 'lxml.etree._ElementTree'>
<class 'list'>
[<Element html at 0x754b210048>, <Element body at 0x754b210108>, <Element div at 0x754b210148>, <Element ul at 0x754b210188>, <Element li at 0x754b2101c8>, <Element a at 0x754b210248>, <Element li at 0x754b210288>, <Element a at 0x754b2102c8>, <Element li at 0x754b210308>, <Element a at 0x754b210208>, <Element li at 0x754b210348>, <Element a at 0x754b210388>, <Element li at 0x754b2103c8>, <Element a at 0x754b210408>]
如要獲取li節(jié)點盒延,可以使用//后面加上節(jié)點名稱缩擂,然后調(diào)用xpath()方法
html.xpath('//li')? #獲取所有子孫節(jié)點的li節(jié)點
(4)獲取子節(jié)點
通過/或者//即可查找元素的子節(jié)點或者子孫節(jié)點,如果想選擇li節(jié)點的所有直接a節(jié)點添寺,可以這樣使用
result=html.xpath('//li/a')? #通過追加/a選擇所有l(wèi)i節(jié)點的所有直接a節(jié)點胯盯,因為//li用于選中所有l(wèi)i節(jié)點,/a用于選中l(wèi)i節(jié)點的所有直接子節(jié)點a
(5)獲取父節(jié)點
我們知道通過連續(xù)的/或者//可以查找子節(jié)點或子孫節(jié)點计露,那么要查找父節(jié)點可以使用..來實現(xiàn)也可以使用parent::來獲取父節(jié)點
from lxml import etree
from lxml.etree import HTMLParser
text='''
<div>
? ? <ul>
? ? ? ? <li class="item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="item-1"><a href="link2.html">second item</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)屬性匹配
在選取的時候博脑,我們還可以用@符號進行屬性過濾。比如票罐,這里如果要選取class為item-1的li節(jié)點叉趣,可以這樣實現(xiàn):
from lxml import etree
from lxml.etree import HTMLParser
text='''
<div>
? ? <ul>
? ? ? ? <li class="item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="item-1"><a href="link2.html">second item</a></li>
? ? </ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]')
print(result)
(7)文本獲取
我們用XPath中的text()方法獲取節(jié)點中的文本
from lxml import etree
text='''
<div>
? ? <ul>
? ? ? ? <li class="item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="item-1"><a href="link2.html">second item</a></li>
? ? </ul>
</div>
'''
html=etree.HTML(text,etree.HTMLParser())
result=html.xpath('//li[@class="item-1"]/a/text()') #獲取a節(jié)點下的內(nèi)容
result1=html.xpath('//li[@class="item-1"]//text()') #獲取li下所有子孫節(jié)點的內(nèi)容
print(result)
print(result1)
(8)屬性獲取
使用@符號即可獲取節(jié)點的屬性,如下:獲取所有l(wèi)i節(jié)點下所有a節(jié)點的href屬性
result=html.xpath('//li/a/@href')? #獲取a的href屬性
result=html.xpath('//li//@href')? #獲取所有l(wèi)i子孫節(jié)點的href屬性
(9)屬性多值匹配
如果某個屬性的值有多個時该押,我們可以使用contains()函數(shù)來獲取
from lxml import etree
text1='''
<div>
? ? <ul>
? ? ? ? <li class="aaa item-0"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="bbb item-1"><a href="link2.html">second item</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)
#通過第一種方法沒有取到值疗杉,通過contains()就能精確匹配到節(jié)點了
[]
['第一個']
(10)多屬性匹配
另外我們還可能遇到一種情況,那就是根據(jù)多個屬性確定一個節(jié)點蚕礼,這時就需要同時匹配多個屬性烟具,此時可用運用and運算符來連接使用:
from lxml import etree
text1='''
<div>
? ? <ul>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="aaa" name="fore"><a href="link2.html">second item</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)
#
['second item']
['second item']
(11)XPath中的運算符
運算符 描述 實例 返回值
or
或 age=19 or age=20 如果age等于19或者等于20則返回true反正返回false
and 與 age>19 and age<21 如果age等于20則返回true梢什,否則返回false
mod 取余 5 mod 2 1
| 取兩個節(jié)點的集合 //book | //cd 返回所有擁有book和cd元素的節(jié)點集合
+ 加 6+4 10
- 減 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
此表參考來源:http://www.w3school.com.cn/xpath/xpath_operators.asp
(12)按序選擇
有時候,我們在選擇的時候某些屬性可能同時匹配多個節(jié)點朝聋,但我們只想要其中的某個節(jié)點嗡午,如第二個節(jié)點或者最后一個節(jié)點,這時可以利用中括號引入索引的方法獲取特定次序的節(jié)點:
from lxml import etree
text1='''
<div>
? ? <ul>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第二個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第三個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第四個</a></li>
? ? </ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[contains(@class,"aaa")]/a/text()') #獲取所有l(wèi)i節(jié)點下a節(jié)點的內(nèi)容
result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()') #獲取第一個
result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()') #獲取最后一個
result3=html.xpath('//li[position()>2 and position()<4][contains(@class,"aaa")]/a/text()') #獲取第一個
result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()') #獲取倒數(shù)第三個
print(result)
print(result1)
print(result2)
print(result3)
print(result4)
#
['第一個', '第二個', '第三個', '第四個']
['第一個']
['第四個']
['第三個']
['第二個']
這里使用了last()冀痕、position()函數(shù)荔睹,在XPath中,提供了100多個函數(shù)言蛇,包括存取应媚、數(shù)值、字符串猜极、邏輯中姜、節(jié)點、序列等處理功能跟伏,它們的具體作用可參考:http://www.w3school.com.cn/xpath/xpath_functions.asp
(13)節(jié)點軸選擇
XPath提供了很多節(jié)點選擇方法丢胚,包括獲取子元素、兄弟元素受扳、父元素携龟、祖先元素等,示例如下:
from lxml import etree
text1='''
<div>
? ? <ul>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第一個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第二個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第三個</a></li>
? ? ? ? <li class="aaa" name="item"><a href="link1.html">第四個</a></li>
? ? </ul>
</div>
'''
html=etree.HTML(text1,etree.HTMLParser())
result=html.xpath('//li[1]/ancestor::*')? #獲取所有祖先節(jié)點
result1=html.xpath('//li[1]/ancestor::div')? #獲取div祖先節(jié)點
result2=html.xpath('//li[1]/attribute::*')? #獲取所有屬性值
result3=html.xpath('//li[1]/child::*')? #獲取所有直接子節(jié)點
result4=html.xpath('//li[1]/descendant::a')? #獲取所有子孫節(jié)點的a節(jié)點
result5=html.xpath('//li[1]/following::*')? #獲取當(dāng)前子節(jié)之后的所有節(jié)點
result6=html.xpath('//li[1]/following-sibling::*')? #獲取當(dāng)前節(jié)點的所有同級節(jié)點
#
[<Element html at 0x3ca6b960c8>, <Element body at 0x3ca6b96088>, <Element div at 0x3ca6b96188>, <Element ul at 0x3ca6b961c8>]
[<Element div at 0x3ca6b96188>]
['aaa', 'item']
[<Element a at 0x3ca6b96248>]
[<Element a at 0x3ca6b96248>]
[<Element li at 0x3ca6b96308>, <Element a at 0x3ca6b96348>, <Element li at 0x3ca6b96388>, <Element a at 0x3ca6b963c8>, <Element li at 0x3ca6b96408>, <Element a at 0x3ca6b96488>]
[<Element li at 0x3ca6b96308>, <Element li at 0x3ca6b96388>, <Element li at 0x3ca6b96408>]
以上使用的是XPath軸的用法勘高,更多軸的用法可參考:http://www.w3school.com.cn/xpath/xpath_axes.asp
(14)案例應(yīng)用:
抓取TIOBE指數(shù)前20名排行開發(fā)語言
#!/usr/bin/env python
#coding:utf-8
import requests
from requests.exceptions import RequestException
from lxml import etree
from lxml.etree import ParseError
import json
def one_to_page(html):
? ? headers={
? ? ? ? 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'
? ? }
? ? try:
? ? ? ? response=requests.get(html,headers=headers)
? ? ? ? body=response.text? #獲取網(wǎng)頁內(nèi)容
? ? except RequestException as e:
? ? ? ? print('request is error!',e)
? ? try:
? ? ? ? html=etree.HTML(body,etree.HTMLParser())? #解析HTML文本內(nèi)容
? ? ? ? result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()') #獲取列表數(shù)據(jù)
? ? ? ? pos = 0
? ? ? ? for i in range(20):
? ? ? ? ? ? if i == 0:
? ? ? ? ? ? ? ? yield result[i:5]
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? yield result[pos:pos+5]? #返回排名生成器數(shù)據(jù)
? ? ? ? ? ? pos+=5
? ? except ParseError as e:
? ? ? ? print(e.position)
def write_file(data):? #將數(shù)據(jù)重新組合成字典寫入文件并輸出
? ? for i in data:
? ? ? ? sul={
? ? ? ? ? ? '2018年6月排行':i[0],
? ? ? ? ? ? '2017年6排行':i[1],
? ? ? ? ? ? '開發(fā)語言':i[2],
? ? ? ? ? ? '評級':i[3],
? ? ? ? ? ? '變化率':i[4]
? ? ? ? }
? ? ? ? with open('test.txt','a',encoding='utf-8') as f:
? ? ? ? ? ? f.write(json.dumps(sul,ensure_ascii=False) + '\n') #必須格式化數(shù)據(jù)
? ? ? ? ? ? f.close()
? ? ? ? print(sul)
? ? return None
def main():
? ? url='https://www.tiobe.com/tiobe-index/'
? ? data=one_to_page(url)
? ? revaule=write_file(data)
? ? if revaule == None:
? ? ? ? print('ok')
? ? ? ?
? ? ? ?
if __name__ == '__main__':
? ? main()
#
{'2018年6月排行': '1', '2017年6排行': '1', '開發(fā)語言': 'Java', '評級': '15.368%', '變化率': '+0.88%'}
{'2018年6月排行': '2', '2017年6排行': '2', '開發(fā)語言': 'C', '評級': '14.936%', '變化率': '+8.09%'}
{'2018年6月排行': '3', '2017年6排行': '3', '開發(fā)語言': 'C++', '評級': '8.337%', '變化率': '+2.61%'}
{'2018年6月排行': '4', '2017年6排行': '4', '開發(fā)語言': 'Python', '評級': '5.761%', '變化率': '+1.43%'}
{'2018年6月排行': '5', '2017年6排行': '5', '開發(fā)語言': 'C#', '評級': '4.314%', '變化率': '+0.78%'}
{'2018年6月排行': '6', '2017年6排行': '6', '開發(fā)語言': 'Visual Basic .NET', '評級': '3.762%', '變化率': '+0.65%'}
{'2018年6月排行': '7', '2017年6排行': '8', '開發(fā)語言': 'PHP', '評級': '2.881%', '變化率': '+0.11%'}
{'2018年6月排行': '8', '2017年6排行': '7', '開發(fā)語言': 'JavaScript', '評級': '2.495%', '變化率': '-0.53%'}
{'2018年6月排行': '9', '2017年6排行': '-', '開發(fā)語言': 'SQL', '評級': '2.339%', '變化率': '+2.34%'}
{'2018年6月排行': '10', '2017年6排行': '14', '開發(fā)語言': 'R', '評級': '1.452%', '變化率': '-0.70%'}
{'2018年6月排行': '11', '2017年6排行': '11', '開發(fā)語言': 'Ruby', '評級': '1.253%', '變化率': '-0.97%'}
{'2018年6月排行': '12', '2017年6排行': '18', '開發(fā)語言': 'Objective-C', '評級': '1.181%', '變化率': '-0.78%'}
{'2018年6月排行': '13', '2017年6排行': '16', '開發(fā)語言': 'Visual Basic', '評級': '1.154%', '變化率': '-0.86%'}
{'2018年6月排行': '14', '2017年6排行': '9', '開發(fā)語言': 'Perl', '評級': '1.147%', '變化率': '-1.16%'}
{'2018年6月排行': '15', '2017年6排行': '12', '開發(fā)語言': 'Swift', '評級': '1.145%', '變化率': '-1.06%'}
{'2018年6月排行': '16', '2017年6排行': '10', '開發(fā)語言': 'Assembly language', '評級': '0.915%', '變化率': '-1.34%'}
{'2018年6月排行': '17', '2017年6排行': '17', '開發(fā)語言': 'MATLAB', '評級': '0.894%', '變化率': '-1.10%'}
{'2018年6月排行': '18', '2017年6排行': '15', '開發(fā)語言': 'Go', '評級': '0.879%', '變化率': '-1.17%'}
{'2018年6月排行': '19', '2017年6排行': '13', '開發(fā)語言': 'Delphi/Object Pascal', '評級': '0.875%', '變化率': '-1.28%'}
{'2018年6月排行': '20', '2017年6排行': '20', '開發(fā)語言': 'PL/SQL', '評級': '0.848%', '變化率': '-0.72%'}