快捷導(dǎo)航

Python?文檔解析lxml庫(kù)的使用詳解

更新時(shí)間：2022年09月09日 08:46:33 作者：小嗷犬

lxml 是 Python 常用的文檔解析庫(kù)，能夠高效地解析 HTML/XML 文檔，常用于 Python 爬蟲(chóng)，這篇文章主要介紹了Python?文檔解析：lxml庫(kù)的使用,需要的朋友可以參考下

1.lxml庫(kù)簡(jiǎn)介

lxml 是 Python 常用的文檔解析庫(kù)，能夠高效地解析 HTML/XML 文檔，常用于 Python 爬蟲(chóng)。

lxml 為第三方庫(kù)，需要我們通過(guò)pip命令安裝：

pip install lxml

2.lxml庫(kù)方法介紹

lxml 庫(kù)提供了一個(gè) etree 模塊，該模塊專(zhuān)門(mén)用來(lái)解析 HTML/XML 文檔，讓我們先導(dǎo)入模塊：

from lxml import etree

使用 etree 模塊的 HTML() 方法可以創(chuàng)建 HTML 解析對(duì)象：

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

HTML() 方法能夠?qū)?HTML 標(biāo)簽字符串解析為 HTML 文件，并且可以自動(dòng)修正 HTML 文本：

from lxml import etree
html_str = '''
<div>
    <ul>
        <li><a href="www.python.org">Python</a></li>
        <li><a href="www.java.com">Java</a>
        <li><a href="www.csdn.net">CSDN</a></li>
    </ul>
</div>
'''

html = etree.HTML(html_str)
# tostring()將標(biāo)簽元素轉(zhuǎn)換為字符串輸出，注意：result為字節(jié)類(lèi)型
result = etree.tostring(html)
print(result.decode('utf-8'))

上述代碼我故意在Java那一行少寫(xiě)一個(gè)</li>，可以看到輸出會(huì)自動(dòng)補(bǔ)全：

<html><body><div>
    <ul>
        <li><a href="www.python.org">Python</a></li>
        <li><a href="www.java.com">Java</a></li>
        <li><a href="www.csdn.net">CSDN</a></li>
    </ul>
</div>
</body></html>

解析為 HTML 文件后，我們可以使用 xpath() 方法來(lái)提取我們需要的數(shù)據(jù)了：

from lxml import etree

html_str = '''
<div>
    <ul>
        <li><a href="www.python.org">Python</a></li>
        <li><a href="www.java.com">Java</a></li>
        <li><a href="www.csdn.net">CSDN</a></li>
    </ul>
</div>
'''

html=etree.HTML(html_str)

xpath_bds='//@href'

r_list = html.xpath(xpath_bds)

print(r_list)

xpath() 方法使用一個(gè) XPath 表達(dá)式作為參數(shù)，上面那段程序提取出了頁(yè)面里的所有網(wǎng)址。

詳細(xì)的 XPath 表達(dá)式語(yǔ)法，請(qǐng)參見(jiàn)菜鳥(niǎo)教程：
https://www.runoob.com/xpath/xpath-syntax.html

3.代碼實(shí)例

lxml 庫(kù)在爬蟲(chóng)中的使用大概就是這么多了，接下讓我們結(jié)合前一篇文章（Python 網(wǎng)頁(yè)請(qǐng)求：requests庫(kù)的使用），來(lái)寫(xiě)一個(gè)普通的爬蟲(chóng)程序吧：

import os
import sys
import requests
from lxml import etree

x = requests.get('https://www.csdn.net/')


html = etree.HTML(x.text)

xpath_bds = '//img/@src'

img_list = html.xpath(xpath_bds)

# 創(chuàng)建img文件夾
os.chdir(os.path.dirname(sys.argv[0]))

if not os.path.exists('img'):
    os.mkdir('img')
    print('創(chuàng)建文件夾成功')
else:
    print('文件夾已存在')

# 下載圖片
for i in range(len(img_list)):
    img = requests.get(img_list[i]).content
    if img_list[i].endswith('.jpg'):
        with open(f'./img/{i}.jpg', 'wb') as f:
            f.write(img)
    elif img_list[i].endswith('.jpeg'):
        with open(f'./img/{i}.jpeg', 'wb') as f:
            f.write(img)
    elif img_list[i].endswith('.png'):
        with open(f'./img/{i}.png', 'wb') as f:
            f.write(img)
    else:
        print(f'第{i + 1}張圖片格式不正確')
        continue
    print(f'第{i + 1}張圖片下載成功')