Python 文档解析lxml库的使用详解
1.lxml库简介
lxml 是 Python 常用的文档解析库，能够高效地解析 HTML/XML 文档，常用于 Python 爬虫。
lxml 为第三方库，需要我们通过pip命令安装：
pip install lxml
2.lxml库方法介绍
lxml 库提供了一个
etree模块，该模块专门用来解析 HTML/XML 文档，让我们先导入模块：
from lxml import etree
使用
etree模块的HTML()方法可以创建 HTML 解析对象：
from lxml import etree parse_html = etree.HTML(html)
HTML()方法能够将 HTML 标签字符串解析为 HTML 文件，并且可以自动修正 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()将标签元素转换为字符串输出，注意：result为字节类型
result = etree.tostring(html)
print(result.decode('utf-8'))上述代码我故意在Java那一行少写一个</li>，可以看到输出会自动补全：
<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>解析为 HTML 文件后，我们可以使用
xpath()方法来提取我们需要的数据了：
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()方法使用一个XPath表达式作为参数，上面那段程序提取出了页面里的所有网址。
详细的
XPath表达式语法，请参见菜鸟教程：
https://www.runoob.com/xpath/xpath-syntax.html
3.代码实例
lxml 库在爬虫中的使用大概就是这么多了，接下让我们结合前一篇文章（Python 网页请求：requests库的使用），来写一个普通的爬虫程序吧：
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)
# 创建img文件夹
os.chdir(os.path.dirname(sys.argv[0]))
if not os.path.exists('img'):
os.mkdir('img')
print('创建文件夹成功')
else:
print('文件夹已存在')
# 下载图片
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}张图片格式不正确')
continue
print(f'第{i + 1}张图片下载成功')
这个爬虫程序爬取了CSDN首页的所有
.jpg、.jpeg、.png格式的图片，快来自己尝试一下吧！
到此这篇关于Python 文档解析lxml库的使用的文章就介绍到这了,更多相关Python lxml库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要为大家详细介绍了python的函数，使用python，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-01-01
Python数学建模StatsModels统计回归之线性回归示例详解
这篇文章主要为大家介绍了Python数学建模中StatsModels统计回归之线性回归的示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助2021-10-10
这篇文章主要介绍了python sklearn常用分类算法模型的调用，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-10-10
这篇文章主要给大家介绍了关于python利用标准库如何获取本地IP的相关资料，文中先对python的标准库进行了简单的介绍，而后给大家详细介绍了关于python用标准库获取本地IP的实现方法，需要的朋友可以参考借鉴，下面随着小编来一起学习学习吧。2017-11-11
这篇文章主要介绍了python实现决策树分类的相关资料，用于实际的数据分类，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-08-08
这篇文章主要介绍了python高效的素数判断算法，研究算法的同学一定要看一下2021-04-04
本篇文章给大家补充了关于Python装饰器的相关知识点内容，大家可以跟着学习参考下。2018-05-05
详解Python 数据库的Connection、Cursor两大对象
这篇文章主要介绍了Python 数据库的Connection、Cursor两大对象,文中通过python 数据库图解给大家介绍的非常详细，需要的朋友参考下吧2018-06-06
python深度学习tensorflow1.0参数和特征提取
这篇文章主要为大家介绍了python深度学习tensorflow1.0参数和特征提取，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-06-06
解决Pytorch内存溢出,Ubuntu进程killed的问题
这篇文章主要介绍了解决Pytorch内存溢出,Ubuntu进程killed的问题，具有很好的参考价值，希望对大家有所帮助。2021-05-05
最新评论