活动地址：CSDN21天学习挑战赛

一、爬虫提取网页数据的流程图

图源:100天精通Python（爬虫篇）——第45天：lxml库与Xpath提取网页数据_无羡ღ的博客-CSDN博客_python爬取网页内容

二、lxml库

lxml是XML和HTML的解析器，其主要功能是解析和提取XML和HTML中的数据，是一款高性能的Python HTML、XML解析器，也可以利用Xpath语法，来定位特定的元素及节点信息。

1、下载

cmd 中输入 pip install lxml

2、解析HTML网页

主要用到lxml库中的etree类

案例1:

from lxml import etreetext = '''
<html><body><div class="key"><div class="name">小浪</div><div class="age">23</div><div class="address">山东</div></div>
</body></html>
'''
#开始初始化
html = etree.HTML(text) #这需要传入一个html形式的字符串
print(html) #输出：<Element html at 0x1f77f541600>
print(type(html)) #输出：<class 'lxml.etree._Element'>
#将字符串序列化为html字符串
result = etree.tostring(html).decode('utf-8')
print(result)
# 输出：
#     <html><body>
#         <div class="key">
#             <div class="name">小浪</div>
#             <div class="age">23</div>
#             <div class="address">山东</div>
#         </div>
#     </body></html>
print(type(result)) #输出：<class 'str'>

三、XPath

Xpath(XML Path Language)是一们在XML文档中查找信息的语言，可以用来在XML文档中对元素和属性进行遍历。

常用路径表达式

用法举例：

谓语

选取未知节点

案例：

选取若干路径

四、Xpath实战

Chrome浏览器自带 Xpath Hepler可以很方便的获取标签路径。

1、新建一个test.html文件，且包括以下内容：

<!-- test.html --><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>

2、获取操作

获取所有的"li标签"

from lxml import etreehtml = etree.parse('test.html')
#输出etree.parse()返回的数据类型
print(type(html)) #输出：<class 'lxml.etree._ElementTree'>
result = html.xpath('//li')
#打印<li>标签的元素集合
print(result) #输出：[<Element li at 0x29ca2316c40>, <Element li at 0x29c93295a80>, <Element li at 0x29c932958c0>, <Element li at 0x29c932957c0>, <Element li at 0x29c9314fd80>]
print(len(result)) #输出：5
print(type(result)) #输出：<class 'list'>
print(type(result[0])) #输出：<class 'lxml.etree._Element'>

获取“li标签”的所有class属性

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//li/@class')
print(result)#输出：['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

获取“li标签”下的hre为link1.html的“a标签”

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//li/a[@href="link1.html"]')
print(result)#输出：[<Element a at 0x26b4825df00>]

获取“li标签”下的所有“span标签”

from lxml import etreehtml = etree.parse('test.html')
# result = html.xpath('//li/span')
# 注意：这么写是不对的
# 因为/用来获取子元素，而<span>不是<li>的子元素，所以用双斜杠
result = html.xpath('//li//span')
print(result)#输出：[<Element span at 0x1f71a379280>]

获取“li标签”下的“a标签”里的所有class属性

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//li/a//@class')
print(result)#输出：['bold']

获取最后一个“li标签”的“a标签”中的href属性

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//li[last()]/a/@href')
print(result)#输出：['link5.html']

获取倒数第二个元素的内容

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//li[last()-1]/a')
print(result[0].text)#输出：fourth item

获取class值为bold的标签名

from lxml import etreehtml = etree.parse('test.html')
result = html.xpath('//*[@class="bold"]')
#tag方法可以获取标签名
print(result[0].tag)#输出：span

21天Python学习——lxml库与Xpath提取网页数据相关推荐

21天学习挑战赛——Python爬虫 lxml库与Xpath提取网页数据
目录 1. 爬虫提取网页数据流程图 2. lxml库 2.1 解析HTML网页 3. Xpath 3.1 选取节点 3.2 谓语 3.3 选取未知节点 3.4 选取若干元素 4. Xpath实战 4 ...
Python爬虫：通过爬取CSDN博客信息，学习lxml库与XPath语法
目录 lxml库 lxml基本用法解析XML文件解析HTML文件 XPath 什么是XPath XPath语法 XPath实战选取某节点的所有子孙节点选取某节点的所有子节点通过属性选取某节点 ...
【Python爬虫】用CSS 选择器提取网页数据
使用 pip 安装 requests_html 库 pip install requests_html 根据你的网络情况,通常需要几分钟时间. 在你的电脑任意位置,新建一个 crawler.py 文件 ...
Python操作lxml库(Xpath篇)
活动地址:CSDN21天学习挑战赛学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩:迟一天就多一天平庸的困扰. 学习日记目录学习日记一.Xpath概述 1.Xpath简介 2. Xpa ...
Python操作lxml库（基础篇）
活动地址:CSDN21天学习挑战赛学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩:迟一天就多一天平庸的困扰. 学习日记目录目录学习日记一.lxml库概述 1.lxml库介绍 2.l ...
python添加lxml库_Python lxml库简介
lxml是一个Python库,使用它可以轻松处理XML和HTML文件,还可以用于web爬取.市面上有很多现成的XML解析器,但是为了获得更好的结果,开发人员有时更愿意编写自己的XML和HTML解析器. ...
Python学习-Scipy库信号处理signal(过滤、快速傅里叶变换、信号窗函数、卷积)
Python学习-Scipy库信号处理signal 目录 1.过滤:以某种方式修改输入信号 2.快速傅里叶变换 3.信号窗函数 4.卷积导入库 import matplotlib.pyplot as ...
python的lxml库简介_Python lxml库简介
Python部落(python.freelycode.com)组织翻译,禁止转载,欢迎转发. lxml是一个Python库,使用它可以轻松处理XML和HTML文件,还可以用于web爬取.市面上有很多现 ...
爬虫入门实战系列（四）：Amazon电子书销售排行榜爬取【Lxml库、Xpath语法熟悉】
对lxml库与beautifulsoup库的相关说明: 关于lxml库与beautifulsoup库,看俩者官方文档的开头介绍,都是"一个可以从HTML或XML文件中提取数据的Python库 ...

21天Python学习——lxml库与Xpath提取网页数据

一、爬虫提取网页数据的流程图

二、lxml库

1、下载

2、解析HTML网页

三、XPath

常用路径表达式

谓语

选取未知节点

选取若干路径

四、Xpath实战

1、新建一个test.html文件，且包括以下内容：

2、获取操作

获取所有的"li标签"

获取“li标签”的所有class属性

获取“li标签”下的hre为link1.html的“a标签”

获取“li标签”下的所有“span标签”

获取“li标签”下的“a标签”里的所有class属性

获取最后一个“li标签”的“a标签”中的href属性

获取倒数第二个元素的内容

获取class值为bold的标签名

21天Python学习——lxml库与Xpath提取网页数据相关推荐

最新文章

热门文章