python3解析庫lxml
閱讀目錄
1荤西、python庫lxml的安裝
2寄锐、XPath常用規(guī)則
- 讀取文本解析節(jié)點
- 讀取HTML文件進(jìn)行解析
- 獲取所有節(jié)點
- 獲取子節(jié)點
- 獲取父節(jié)點
- 屬性匹配
- 文本獲取
- 屬性獲取
- 屬性多值匹配
- 多屬性匹配
- XPath中的運算符
- 按序選擇
- 節(jié)點軸選擇
- 案例應(yīng)用：抓取TIOBE指數(shù)前20名排行開發(fā)語言
lxml是python的一個解析庫厚满，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高
XPath，全稱XML Path Language窜骄，即XML路徑語言，它是一門在XML文檔中查找信息的語言摆屯，它最初是用來搜尋XML文檔的邻遏，但是它同樣適用于HTML文檔的搜索
XPath的選擇功能十分強(qiáng)大，它提供了非常簡明的路徑選擇表達(dá)式虐骑，另外准验，它還提供了超過100個內(nèi)建函數(shù)，用于字符串廷没、數(shù)值糊饱、時間的匹配以及節(jié)點、序列的處理等颠黎，幾乎所有我們想要定位的節(jié)點济似，都可以用XPath來選擇
XPath于1999年11月16日成為W3C標(biāo)準(zhǔn)，它被設(shè)計為供XSLT盏缤、XPointer以及其他XML解析軟件使用，更多的文檔可以訪問其官方網(wǎng)站：https://www.w3.org/TR/xpath/
大家如果對Python有興趣的話關(guān)注我點個贊唄蓖扑。同時我也整理了一些Python的資料提供給大家：Python編程交流QQ群：535686202
1唉铜、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
QQ截圖20180803210727.png
（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(jìn)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類型律杠，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)點潭流，*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，可以使用//后面加上節(jié)點名稱柜去，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)點灰嫉，如果想選擇li節(jié)點的所有直接a節(jié)點，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)點嗓奢，因為//li用于選中所有l(wèi)i節(jié)點讼撒，/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，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，我們還可以用@符號進(jìn)行屬性過濾根盒。比如钳幅，這里如果要選取class為item-1的li節(jié)點，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)點的屬性炎滞，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敢艰，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，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册赛，那就是根據(jù)多個屬性確定一個節(jié)點钠导，這時就需要同時匹配多個屬性，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
QQ截圖20180803211410.png
（12）按序選擇
有時候森瘪，我們在選擇的時候某些屬性可能同時匹配多個節(jié)點牡属，但我們只想要其中的某個節(jié)點，如第二個節(jié)點或者最后一個節(jié)點柜砾，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()湃望、position()函數(shù)，在XPath中痰驱，提供了100多個函數(shù)证芭，包括存取、數(shù)值担映、字符串废士、邏輯、節(jié)點蝇完、序列等處理功能
（13）節(jié)點軸選擇
XPath提供了很多節(jié)點選擇方法官硝，包括獲取子元素、兄弟元素短蜕、父元素氢架、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>]
（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%'}
大家如果對Python有興趣的話關(guān)注我點個贊唄朋魔。同時我也整理了一些Python的資料提供給大家：Python編程交流QQ群：535686202
123.png
