lxml与pyquery解析html的方法

本篇内容主要讲解“lxml与pyquery解析html的方法”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“lxml与pyquery解析html的方法”吧!

创新互联制作网站网页找三站合一网站制作公司,专注于网页设计,做网站、成都做网站,网站设计,企业网站搭建,网站开发,建网站业务,680元做网站,已为上1000+服务,创新互联网站建设将一如既往的为我们的客户提供最优质的网站建设、网络营销推广服务!

lxml

首先来了解一下lxml,很多常用的解析html的库都用到了lxml这个库,例如BeautifulSoup、pyquery。

下面我们介绍一下lxml关于html解析的3个Element。

_Element

_Element获取
from lxml import etree

text = '''
    
             first          second          third      
 
''' # lxml.etree._Element element = etree.HTML(text)
_Element常用方法
# 通过css选择器获取节点
cssselect(expr)

# 通过标签或者xpath语法获取第一个匹配
find(path)

# 通过标签或者xpath语法获取所有匹配
findall(path)

# 获取属性值
get(key)

# 获取所有属性
items()

# 获取所有属性名称
keys()

# 获取所有属性值
values()

# 获取子节点
getchildren()

# 获取父节点
getparent()

# 获取相邻的下一个节点
getnext()

# 获取相邻的上一个节点
getprevious()

# 迭代节点
iter(tag)

# 通过xpath表达式获取节点
xpath(path)
_Element示例
from lxml import etree

text = '''
    
             first          second          third      
 
''' element = etree.HTML(text) # css选择器,获取class为item-0的li节点 lis = element.cssselect("li.item-0") for li in lis:     # 获取class属性     print(li.get("class"))     # 获取属性名称和值,元组列表     print(li.items())     # 获取节点所有的属性名称     print(li.keys())     # 获取所有属性值     print(li.values()) print("--------------") ass = element.cssselect("li a") for a in ass:     # 获取文本节点     print(a.text) print("--------------") # 获取第一个li节点 li = element.find("li") # 获取所有li节点 lis = element.find("li") # 获取所有的a节点 lias = element.iter("a") for lia in lias:     print(lia.get("href")) textStr = element.itertext("a") for ts in textStr:     print(ts)

xpath我们后面单独介绍。

_ElementTree

_ElementTree获取
from io import StringIO
from lxml import etree

text = '''
    
             first          second          third      
 
''' parser = etree.HTMLParser() # lxml.etree._ElementTree elementTree = etree.parse(StringIO(text), parser) # 可以直接从文件读取 # elementTree = etree.parse(r'F:\tmp\etree.html',parser)
_ElementTree常用方法
find(path)
findall(path)
iter(tag)
xpath(path)

_ElementTree方法和 _Element的同名方法使用基本一样。

有很多不同的是_ElementTree的find和findall方法只接受xpath表达式。

_ElementTree示例
from io import StringIO
from lxml import etree

text = '''
    
             first          second          third      
 
''' parser = etree.HTMLParser() elementTree = etree.parse(StringIO(text), parser) lis = elementTree.iter("li") for li in lis:     print(type(li)) print("---------") firstLi = elementTree.find("//li") print(type(firstLi)) print(firstLi.get("class")) print("---------") ass = elementTree.findall("//li/a") for a in ass:     print(a.text)

HtmlElement

HtmlElement获取
import lxml.html

text = '''
    
             first          second          third      
 
''' # lxml.html.HtmlElement htmlElement = lxml.html.fromstring(text)

HtmlElement继承了etree.ElementBase和HtmlMixin,etree.ElementBase继承了_Element。

因为HtmlElement继承了_Element,所以_Element中介绍的方法,HtmlElement都可以使用。 HtmlElement还可以使用HtmlMixin中的方法。

HtmlMixin常用方法
# 通过类名获取节点
find_class(class_name)
# 通过id获取节点
get_element_by_id(id)
# 获取文本节点
text_content()
# 通过css选择器获取节点
cssselect(expr)

xpath

xpath功能非常强大,并且_Element、_ElementTree、HtmlElement都可以使用xpath表达式,所以最后介绍一下xpath。

表达式描述
/从根节点开始,绝对路径
//从当前节点选取子孙节点,相对路径,不关心位置
.选取当前节点
..选取当前节点的父节点
@选取属性
*通配符,选择所有元素节点与元素名
@*选取所有属性
[@attrib]选取具有给定属性的所有元素
[@attrib='value']选取给定属性具有给定值的所有元素
[tag]选取所有具有指定元素的直接子节点
[tag='text']选取所有具有指定元素并且文本内容是text节点
expression表达式描述
ancestorxpath('./ancestor:: *')选取当前节点的所有先辈节点
ancestor-or-self('./ancestor-or-self:: *')选取当前节点的所有先辈以及节点本身
attributexpath('./attribute:: *')选取当前节点的所有属性
childxpath('./child:: *')返回当前节点的所有子节点
descendantxpath('./descendant:: *')返回当前节点的所有后代节点(子节点、孙节点)
followingxpath('./following:: *')选取文档中当前节点结束标签后的所有节点
following-sibingxpath('./following-sibing:: *')选取当前节点之后的兄弟节点
parentxpath('./parent:: *')选取当前节点的父节点
precedingxpath('./preceding:: *')选取文档中当前节点开始标签前的所有节点
preceding-siblingxpath('./preceding-sibling:: *')选取当前节点之前的兄弟节点
selfxpath('./self:: *')选取当前节点

lxml与pyquery解析html的方法

很多时候我们可以通过浏览器获取xpath表达式:

lxml与pyquery解析html的方法

示例
from lxml.html.clean import Cleaner
from lxml import etree

text = '''
    
             first          second          third      
 
''' # 去除css、script cleaner = Cleaner(style=True, scripts=True, page_structure=False, safe_attrs_only=False) print(cleaner.clean_html(text)) # _Element element = etree.HTML(text) # 文本节点,特殊字符转义 print(element.xpath('//text()')) # 文本节点,不转义 print(element.xpath('string()')) # find、findall只能使用相对路径,以.//开头 print(element.findall('.//a[@rel]')) print(element.find('.//a[@rel]')) # 获取包含rel属性的a节点 print(element.xpath('//a[@rel]')) # 获取ul元素下的第一个li节点,注意是列表,因为ul可能有多个 print(element.xpath("//ul/li[1]")) # 获取ul元素下rel属性为li2的li节点 print(element.xpath("//ul/li[@rel='li2']")) # 获取ul元素下的倒数第2个节点 print(element.xpath("//ul/li[last()-1]")) # 获取ul元素下的前2个li节点 print(element.xpath("//ul/li[position()<3]")) # 获取li元素下的所有a节点 for a in element.xpath("//li/a"):     print(a.text)     print(a.get("href")) # 获取父节点,列表,因为可能匹配多个a print(element.xpath('//a[@href="link2.html"]/parent::*')) # 获取的是文本节点对象列表 print(element.xpath('//li[@class="item-1"]/a/text()')) print("---------------") # 获取a的href属性 print(element.xpath('//li/a/@href')) # 获取所有li子孙节点的href属性 print(element.xpath('//li//@href'))

xpath示例

from lxml import etree

text = '''

    
      
        
      
    
           解忧杂货店       [日] 东野圭吾 / 李盈春 / 南海出版公司 / 2014-5 / 39.50元
                        8.5                      (537322人评价)                
      

现代人内心流失的东西,这家杂货店能帮你找回——僻静的街道旁有一家杂货店,只要写下烦恼投进卷帘门的投信口,第二天就会在店后的牛奶箱里得到回答。因男友身患绝... 

    
''' element = etree.HTML(text) # 查找符合xpath(//li/div/a)的节点 aeles = element.xpath("//li/div/a") for aele in aeles:     # 获取href属性     print(aele.get("href"))     # 查找img标签,并且获取src属性     print(aele.find("img").get("src")) # 返回列表的原因是:虽然我们只取了第一个a节点,但是上级xpath(//li/div[@class='info']/h3)可能匹配多个 for a in element.xpath("//li/div[@class='info']/h3/a[1]"):     print(a.get("href"))     print(a.text)     # print(a.get("title")) # 指定div的class属性 for pu in element.xpath("//li/div[@class='info']/div[@class='pub']"):     print(pu.text) # 使用到contains函数和or运算符 spans = element.xpath("//li/div[@class='info']/div[@class='star clearfix']/span[contains(@class,'rating_nums') or "                       "contains(@class,'pl')]") for span in spans:     print(span.text.strip()) for content in element.xpath("//li/div[@class='info']/p"):     print(content.text) # 如果确定只有一个或者只需要第一个可以使用find,注意find使用xpath为参数的时候使用相对路径(.//开头) print(element.find(".//li/div[@class='info']/p").text)

pyquery

构造PyQuery

从字符串:

from pyquery import PyQuery as pq

html = ''
with open(r"F:\tmp\db.html", "r", encoding='utf-8') as f:
    html = f.read()
doc = pq(html)

从URL:

from pyquery import PyQuery as pq

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:69.0) Gecko/20100101 Firefox/69.0'
}
doc = pq('https://book.douban.com/tag/小说', headers=headers)

从文件:

from pyquery import PyQuery as pq
doc = pq(filename=r"F:\tmp\db.html")

从文件有一个问题就是不能指定文件编码,所以一般都是自己读取文件,然后从字符串构造。

选择器

pyquery最强大的地方就在于,它可以像jQuery使用css选择器一样获取节点。

常用的一些选择器:

id选择器(#id) 类选择器(.class) 属性选择器(a[href="xxx"]) 伪类选择器(:first :last :even :odd :eq :lt :gt :checked :selected)

前面我们已经知道怎样构造一个PyQuery,上面我们有知道了怎么通过选择器获取节点,下面我们通过一个小示例来具体了解一下。

from pyquery import PyQuery as pq

html = '''
    
    
    
        pyquery
    
    
         
            li1
            li2
            li3
        
    
    
'''

doc = pq(html)

# id选择器,outerHtml输出整体的html
print(doc("#container").outerHtml())

print("----------")

# 类选择器
print(doc(".li1").outerHtml())

print("----------")

# 伪类选择器
# 选择第2个li节点,并通过text获取该li节点的值
print(doc('li:nth-child(2)').text())

# 获取第1个li节点
print(doc('li:first-child').text())

# 获取最后一个li节点,并通过attr获取该节点的data-type属性值
print(doc('li:last-child').attr("data-type"))
print(doc("li:contains('li3')").attr("data-type"))

print("----------")

# 属性选择器
# 选择li的data-type的属性值为3的节点
print(doc("li[data-type='3']").outerHtml())

首先我们通过html字符串构造了一个PyQuery对象,然后就可以通过选择器愉快的获取我们想要的节点了。

注意:上面的text方法是获取节点的文本,attr是获取节点的属性,非常常用

这里就补贴输出代码了,如果感兴趣可以自己动手尝试一下,看一下输出。

查找与过滤节点

很多时候,我们并不能直接通过选择器一步到位的获取到我们需要的节点,所以我们需要另外一些查找、过滤、遍历节点的方法,例如:find、filter、eq、not_、items、each等,下面我们还是通过一个小例子来介绍一下这些方法。

from pyquery import PyQuery as pq

html = '''
    
    
    
        pyquery
    
    
         
            li1
            li2
            li3
        
    
    
'''

doc = pq(html)

# find的语法和直接使用选择器一样
print("---find:")
print(doc.find("li").show())
# 输出li的个数
print(doc.find("li").size())


# filter过滤得到满足条件的
print("---filter:")
print(doc.find("li").filter(".li3").show())

# eq选择第n个,下标从0开始
print("---eq:")
print(doc.find("li").eq(1).show())

# not_排除满足条件的节点
print("---not_:")
print(doc.find("li").not_("li[data-type='3']").show())


lis = doc.find("li")
# 输出PyQuery
print(type(lis))

# each输出的类型是lxml.etree._Element
print("---each:")
lis.each(lambda i, e: print(type(e)))

print("---for:")
for li in lis:
    print(type(li))

# items获取到的类型才是PyQuery
print("---items:")
for li in lis.items():
    print(type(li))

这些方法还是比较基础的,看代码中的注释就能知道是什么意思了,如果有疑问,可以自己动手调试一下。

注意lis是PyQuery类型,PyQuery的each是lxml.etree._Element类型,items才是PyQuery

这意味着使用for\each循环不能使用PyQuery的find、filter、text、attr这些方法。

需要使用lxml.etree._Element的方法。

到此,相信大家对“lxml与pyquery解析html的方法”有了更深的了解,不妨来实际操作一番吧!这里是创新互联网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!


网站名称:lxml与pyquery解析html的方法
标题来源:http://pwwzsj.com/article/jgjgje.html

其他资讯