天天看點
傳回

python3解析庫lxml

 lxml是python的一個解析庫，支援HTML和XML的解析，支援XPath解析方式，而且解析效率非常高

XPath，全稱XML Path Language，即XML路徑語言，它是一門在XML文檔中查找資訊的語言，它最初是用來搜尋XML文檔的，但是它同樣适用于HTML文檔的搜尋

XPath的選擇功能十分強大，它提供了非常簡明的路徑選擇表達式，另外，它還提供了超過100個内建函數，用于字元串、數值、時間的比對以及節點、序列的處理等，幾乎所有我們想要定位的節點，都可以用XPath來選擇

XPath于1999年11月16日成為W3C标準，它被設計為供XSLT、XPointer以及其他XML解析軟體使用，更多的文檔可以通路其官方網站：https://www.w3.org/TR/xpath/

1、python庫lxml的安裝

windows系統下的安裝：

#pip安裝
pip3 install lxml

#wheel安裝
#下載下傳對應系統版本的wheel檔案: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常用規則

表達式 描述
nodename 選取此節點的所有子節點
/ 從目前節點選取直接子節點
// 從目前節點選取子孫節點
. 選取目前節點
.. 選取目前節點的父節點
@ 選取屬性
* 通配符，選擇所有元素節點與元素名
@* 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點
[tag='text'] 選取所有具有指定元素并且文本内容是text節點

（1）讀取文本解析節點 

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會修複HTML文本節點
<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檔案進行解析 

from lxml import etree

html=etree.parse('test.html',etree.HTMLParser()) #指定解析器HTMLParser會根據檔案修複HTML檔案中缺失的如聲明資訊
result=etree.tostring(html)   #解析成位元組
#result=etree.tostringlist(html) #解析成清單
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>&#13;\n    <ul>&#13;\n         <li class="item-0"><a href="link1.html">first item</a></li>&#13;\n         <li class="item-1"><a href="link2.html">second item</a></li>&#13;\n         <li class="item-inactive"><a href="link3.html">third item</a></li>&#13;\n         <li class="item-1"><a href="link4.html">fourth item</a></li>&#13;\n         <li class="item-0"><a href="link5.html">fifth item</a>&#13;\n     </li></ul>&#13;\n </div>&#13;\n</body></html>'

（3）擷取所有節點

傳回一個清單每個元素都是Element類型，所有節點都包含在其中

from lxml import etree

html=etree.parse('test',etree.HTMLParser())
result=html.xpath('//*')  #//代表擷取子孫節點，*代表擷取所有

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>]

如要擷取li節點，可以使用//後面加上節點名稱，然後調用xpath()方法

html.xpath('//li')   #擷取所有子孫節點的li節點

（4）擷取子節點

通過/或者//即可查找元素的子節點或者子孫節點，如果想選擇li節點的所有直接a節點，可以這樣使用

result=html.xpath('//li/a')  #通過追加/a選擇所有li節點的所有直接a節點，因為//li用于選中所有li節點，/a用于選中li節點的所有直接子節點a

（5）擷取父節點

我們知道通過連續的/或者//可以查找子節點或子孫節點，那麼要查找父節點可以使用..來實作也可以使用parent::來擷取父節點

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）屬性比對

在選取的時候，我們還可以用

@

符号進行屬性過濾。比如，這裡如果要選取

class

為

item-1

的

li

節點，可以這樣實作:

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）文本擷取

我們用XPath中的text()方法擷取節點中的文本

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()') #擷取a節點下的内容
result1=html.xpath('//li[@class="item-1"]//text()') #擷取li下所有子孫節點的内容

print(result)
print(result1)

（8）屬性擷取

使用@符号即可擷取節點的屬性，如下：擷取所有li節點下所有a節點的href屬性

result=html.xpath('//li/a/@href')  #擷取a的href屬性
result=html.xpath('//li//@href')   #擷取所有li子孫節點的href屬性

（9）屬性多值比對

如果某個屬性的值有多個時，我們可以使用contains()函數來擷取

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（）就能精确比對到節點了
[]
['第一個']

（10）多屬性比對

另外我們還可能遇到一種情況，那就是根據多個屬性确定一個節點，這時就需要同時比對多個屬性，此時可用運用and運算符來連接配接使用：

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 執行個體 傳回值
or 或 age=19 or age=20 如果age等于19或者等于20則傳回true反正傳回false
and 與 age>19 and age<21 如果age等于20則傳回true，否則傳回false
mod 取餘 5 mod 2 1
| 取兩個節點的集合 //book | //cd 傳回所有擁有book和cd元素的節點集合
+ 加 6+4 10
- 減 6-4 2
乘 6*4 24
div 除法 8 div 4
= 等于 age=19 true
!= 不等于 age!=19
< 小于 age<19
<= 小于或等于 age<=19
> 大于 age>19
>=  大于或等于 age>=19

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比對多個節點，但我們隻想要其中的某個節點，如第二個節點或者最後一個節點，這時可以利用中括号引入索引的方法擷取特定次序的節點：

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()') #擷取所有li節點下a節點的内容
result1=html.xpath('//li[1][contains(@class,"aaa")]/a/text()') #擷取第一個
result2=html.xpath('//li[last()][contains(@class,"aaa")]/a/text()') #擷取最後一個
result3=html.xpath('//li[position()>2 and position()<4][contains(@class,"aaa")]/a/text()') #擷取第一個
result4=html.xpath('//li[last()-2][contains(@class,"aaa")]/a/text()') #擷取倒數第三個


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']

這裡使用了last()、position()函數，在XPath中，提供了100多個函數，包括存取、數值、字元串、邏輯、節點、序列等處理功能，它們的具體作用可參考：http://www.w3school.com.cn/xpath/xpath_functions.asp

（13）節點軸選擇

XPath提供了很多節點選擇方法，包括擷取子元素、兄弟元素、父元素、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::*')  #擷取所有祖先節點
result1=html.xpath('//li[1]/ancestor::div')  #擷取div祖先節點
result2=html.xpath('//li[1]/attribute::*')  #擷取所有屬性值
result3=html.xpath('//li[1]/child::*')  #擷取所有直接子節點
result4=html.xpath('//li[1]/descendant::a')  #擷取所有子孫節點的a節點
result5=html.xpath('//li[1]/following::*')  #擷取目前子節之後的所有節點
result6=html.xpath('//li[1]/following-sibling::*')  #擷取目前節點的所有同級節點


#
[<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，更多軸的用法可參考：http://www.w3school.com.cn/xpath/xpath_axes.asp

（14）案例應用：抓取TIOBE指數前20名排行開發語言 

#!/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  #擷取網頁内容
    except RequestException as e:
        print('request is error!',e)
    try:
        html=etree.HTML(body,etree.HTMLParser())  #解析HTML文本内容
        result=html.xpath('//table[contains(@class,"table-top20")]/tbody/tr//text()') #擷取清單資料
        pos = 0
        for i in range(20):
            if i == 0:
                yield result[i:5]
            else:
                yield result[pos:pos+5]  #傳回排名生成器資料
            pos+=5
    except ParseError as e:
         print(e.position)


def write_file(data):   #将資料重新組合成字典寫入檔案并輸出
    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') #必須格式化資料
            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', '開發語言': 'PL/SQL', '評級': '0.848%', '變化率': '-0.72%'}

XPath的更多用法參考：http://www.w3school.com.cn/xpath/index.asp

python lxml庫的更多用法參考：http://lxml.de/

Python爬蟲
上一篇: docker 應用篇————容器共享資料卷[十五]
下一篇: docker卷挂載與容器内外互相拷貝資料

繼續閱讀