快捷導(dǎo)航

Python大數(shù)據(jù)之使用lxml庫(kù)解析html網(wǎng)頁(yè)文件示例

更新時(shí)間：2019年11月16日 11:13:23 作者：xuehyunyu

這篇文章主要介紹了Python大數(shù)據(jù)之使用lxml庫(kù)解析html網(wǎng)頁(yè)文件,結(jié)合實(shí)例形式分析了Python大數(shù)據(jù)操作中使用lxml庫(kù)解析html網(wǎng)頁(yè)具體步驟及相關(guān)注意事項(xiàng),需要的朋友可以參考下

本文實(shí)例講述了Python大數(shù)據(jù)之使用lxml庫(kù)解析html網(wǎng)頁(yè)文件。分享給大家供大家參考，具體如下：

lxml是Python的一個(gè)html/xml解析并建立dom的庫(kù)，lxml的特點(diǎn)是功能強(qiáng)大，性能也不錯(cuò)，xml包含了ElementTree ，html5lib ，beautfulsoup 等庫(kù)。

使用lxml前注意事項(xiàng)：先確保html經(jīng)過(guò)了utf-8解碼，即code =html.decode('utf-8', 'ignore')，否則會(huì)出現(xiàn)解析出錯(cuò)情況。因?yàn)橹形谋痪幋a成utf-8之后變成 '/u2541'　之類(lèi)的形式，lxml一遇到　"/"就會(huì)認(rèn)為其標(biāo)簽結(jié)束。

具體用法：元素節(jié)點(diǎn)操作

1、解析HTMl建立DOM

from lxml import etree
dom = etree.HTML(html)

2、查看dom中子元素的個(gè)數(shù) len(dom)

3、查看某節(jié)點(diǎn)的內(nèi)容：etree.tostring(dom[0])

4、獲取節(jié)點(diǎn)的標(biāo)簽名稱(chēng)：dom[0].tag

5、獲取某節(jié)點(diǎn)的父節(jié)點(diǎn)：dom[0].getparent()

6、獲取某節(jié)點(diǎn)的屬性節(jié)點(diǎn)的內(nèi)容：dom[0].get("屬性名稱(chēng)")

對(duì)xpath路徑的支持：

XPath即為XML路徑語(yǔ)言，是用一種類(lèi)似目錄樹(shù)的方法來(lái)描述在XML文檔中的路徑。比如用"/"來(lái)作為上下層級(jí)間的分隔。第一個(gè)"/"表示文檔的根節(jié)點(diǎn)（注意，不是指文檔最外層的tag節(jié)點(diǎn)，而是指文檔本身）。比如對(duì)于一個(gè)HTML文件來(lái)說(shuō)，最外層的節(jié)點(diǎn)應(yīng)該是"/html"。

xpath選取元素的方式：

1、絕對(duì)路徑，如page.xpath("/html/body/p")，它會(huì)找到body這個(gè)節(jié)點(diǎn)下所有的p標(biāo)簽

2、相對(duì)路徑，page.xpath("http://p"),它會(huì)找到整個(gè)html代碼里的所有p標(biāo)簽。

xpath篩選方式：

1、選取元素時(shí)一個(gè)列表，可通過(guò)索引查找[n]

2、通過(guò)屬性值篩選元素p =page.xpath("http://p[@style='font-size:200%']")

3、如果沒(méi)有屬性可以通過(guò)text()（獲取元素中文本）、position()（獲取元素位置）、last()等進(jìn)行篩選

獲取屬性值

dom.xpath(.//a/@href)

獲取文本

dom.xpath(".//a/text()")

示例代碼：

#!/usr/bin/python
# -*- coding:utf-8 -*-
from scrapy.spiders import Spider
from lxml import etree
from jredu.items import JreduItem
class JreduSpider(Spider):
  name = 'tt' #爬蟲(chóng)的名字，必須的，唯一的
  allowed_domains = ['sohu.com']
  start_urls = [
    'http://www.sohu.com'
  ]
  def parse(self, response):
    content = response.body.decode('utf-8')
    dom = etree.HTML(content)
    for ul in dom.xpath("http://div[@class='focus-news-box']/div[@class='list16']/ul"):
      lis = ul.xpath("./li")
      for li in lis:
        item = JreduItem() #定義對(duì)象
        if ul.index(li) == 0:
          strong = li.xpath("./a/strong/text()")
          li.xpath("./a/@href")
          item['title']= strong[0]
          item['href'] = li.xpath("./a/@href")[0]
        else:
          la = li.xpath("./a[last()]/text()")
          item['title'] = la[0]
          item['href'] = li.xpath("./a[last()]/href")[0]
        yield item

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專(zhuān)題：《Python Socket編程技巧總結(jié)》、《Python正則表達(dá)式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門(mén)與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對(duì)大家Python程序設(shè)計(jì)有所幫助。

您可能感興趣的文章: