爬虫必学包 lxml,搞个有趣的

开发 后端
在这篇文章,我会使用一个精简后的html页面,演示如何通过lxml定位并提取出想要的文本。

你好,我是zhenguo,今天搞点有趣的。

这篇文章讲什么?

我们爬取网页后,无非是先定位到html标签,然后取其文本。定位标签,最常用的一个包lxml。

在这篇文章,我会使用一个精简后的html页面,演示如何通过lxml定位并提取出想要的文本,包括:

  • html是什么?
  • 什么是lxml?
  • lxml例子,包括如何定位?如何取内容?如何获取属性值?

html是什么?

html,全称HyperText Markup Language,是超文本标记结构。

html组织结构对应数据结构的树模型。

因为是树,所以只有一个根节点,即一对<html></html>标签。一对<>和名称组合称为标签,例如,<html>被称为开始标签,</html>被称为结束标签。

开始标签中可以添加附加信息,风格为属性名=属性值。

如下所示,选中的<div>就是一个开始标签,它有属性id,值为content,还有属性style等:

什么是lxml?

lxml官档截图如下,按照官档的说法,lxml是Python语言中,处理XML和HTML,功能最丰富、最易于使用的库。

不难猜想,lxml中一定实现了查询树中某个节点功能,并且应该性能极好。

lxml例子

废话不多说,举例演示lxml超简便的定位能力。

导入lxml中的etree:

from lxml import etree

my_page是html风格的字符串,内容如下所示:

my_page = '''
<html>
<title>程序员zhenguo</title>
<body>
<div>我的文章</div>
<h1>我的网站</h1>
<div id="photos">
<img src="pic1.png" />
<span id="pic1"> 从零学Python </span>
<img src="pic2.png" />
<span id="pic2">大纲</span>
<p>
<a href="http://www.zglg.work">更多详情</a>
</p>
<a href="http://www.zglg.work/python-packages/">Python包</a>
<a href="http://www.zglg.work/python-intro/">Python小白</a>
<a href="http://www.zglg.work/python-level/">Python进阶</a>
</div>
<div id="explain">
<p class="md-nav__item">本站总访问量159323次</p>
</div>
<div class="foot">Copyright © 2019 - 2021 程序员zhenguo</div>
</body>
</html>
'''

使用etree.fromstring转化为可以使用xpath的对象。

html = etree.fromstring(my_page)

定位

接下来,就能方便的定位:

  1. 定位出所有div标签,写法//div

# 定位
divs1 = html.xpath('//div')
  1. 定位出含有属性名为id的所有标签,写法为://div[@id]

divs2 = html.xpath('//div[@id]')
  1. 定位出含有属性名class等于foot的所有div标签,写法为://div[@class="foot"]

divs3 = html.xpath('//div[@class="foot"]')
  1. 定位出含有属性名的所有div标签,写法为://div[@*]

divs4 = html.xpath('//div[@*]')
  1. 定位出不含有属性名的所有div标签,写法为:not(@*)

divs5 = html.xpath('//div[not(@*)]')
  1. 定位出第一个div标签,写法为://div[1]

divs6 = html.xpath('//div[1]')
  1. 定位出最后一个div标签,写法为://div[last()]

divs7 = html.xpath('//div[last()]')
  1. 定位出前两个div标签,写法为//div[position()<3],注意从1开始:

divs8 = html.xpath('//div[position()<3]')
  1. 定位出所有div标签和h1标签,写法为://div|//h1,使用|表达:

divs9 = html.xpath('//div|//h1')

取内容

取出一对标签中的内容,使用text()方法。

如下所示,取出属性名为foot的标签div中的text:

text1 = html.xpath('//div[@class="foot"]/text()')

取属性

除了定位标签,获取标签间的内容外,也会需要提取属性对应值。

获取标签a下所有属性名为href的对应属性值,写法为://a/@href

value1 = html.xpath('//a/@href')

得到结果:

['http://www.zglg.work', 'http://www.zglg.work/python-packages/', 'http://www.zglg.work/python-intro/', 'http://www.zglg.work/python-level/']

还可以做一些特殊的定制操作,如使用findall方法,定位到div标签下带有a的标签。

使用text获取内容,a.attrib.get获取对应属性值。

divs = html.xpath('//div[position()<3]')
for div in divs:
ass = div.findall('a') # div/a
for a in ass:
if a is not None:
# print(dir(a))
print(a.text, a.attrib.get('href'))

最后注意一个区别,a_href等于第二个div标签下的子标签a的href属性值;

b_href等于第二个div标签下的子或所有后代标签下a的href属性值:

a_href = html.xpath('//div[position()=2]/a/@href')
print(a_href)
b_href = html.xpath('//div[position()=2]//a/@href')
print(b_href)
责任编辑:庞桂玉 来源: Python小例子
相关推荐

2022-10-10 23:19:02

Python脚本语言工具库

2020-04-25 19:00:15

Linux终端命令

2014-11-14 17:08:24

代码

2015-07-30 09:27:04

2010-08-18 08:53:53

Scala

2012-09-07 10:09:56

CC语言编程

2022-09-20 15:43:58

Python工具包编程

2022-05-15 15:14:04

爬虫Requests反爬

2011-02-13 13:04:00

HTML 5Web

2023-08-13 08:29:27

ChatGPT指令AI

2009-08-25 14:25:19

Eclipse 3.5

2019-12-03 19:09:19

JavaScriptNumbers阿里云计算

2020-09-06 08:19:11

Python编程语言开发

2022-06-16 08:35:10

CSS属性前端

2011-07-11 10:16:07

JavaScript

2018-10-25 14:47:53

分析消费数据挖掘

2019-11-25 14:24:24

机器学习算法数据

2009-12-22 11:09:54

Linux系统

2016-12-05 15:15:52

JavaScriptCSS库

2021-02-04 09:52:30

增强现实AR数字通信
点赞
收藏

51CTO技术栈公众号