python html parser库lxml的介绍和使用

使用由 Python 编写的 lxml 实现高性能 XML 解析 http://blog.csdn.net/yatere/article/details/6667043

用lxml解析HTMLhttp://www.cnblogs.com/descusr/archive/2012/06/20/2557075.html

分步遍历：比先遍历得到body的某个div,然后在使用这个div的内容做遍历基础，继续通过它往下遍历

Python代码

def scanningHotArticle(url):

print url

request=requests.get(url)

dom=soupparser.fromstring(request.content)

body=dom[1]

articleList=body.xpath("//div[@class='block untagged mb15 bs2']")

for article in articleList:

articleStr= etree.tostring(article)

articleBody=soupparser.fromstring(articleStr)

print len(articleBody.xpath("//div[@class='detail']"))

结构是body-*->div[class=’block untagged mb15 bs2′],这个div下面又存在许多div,然后把这个div当作根节点，在继续xpath查找下面的元素。

python html parser库lxml的介绍和使用（快速入门）
http://blog.csdn.net/marising/article/details/5821090
lxm是python的一个html/xml解析并建立dom的库，lxml的特点是功能强大，性能也不错，xml包含了ElementTree ，html5lib ，beautfulsoup 等库，但是lxml也有自己相对应的库，所以，导致lxml比较复杂，初次使用者很难了解其关系。

1. 解析html并建立dom

Python代码

>>> import lxml.etree as etree

>>> html = '<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'

>>> dom = etree.fromstring(html)

>>> etree.tostring(dom)

'<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'

如果用beautifulsoup的解析器，则

Python代码

>>> import lxml.html.soupparser as soupparser

>>> dom = soupparser.fromstring(html)

>>> etree.tostring(dom)

'<html><body id="1">abc<div>123</div>def<div>456</div>ghi</body></html>'

但是我强烈建议使用soupparser，因为其处理不规范的html的能力比etree强太多。

2. 按照Dom访问Element
子元素长度

Python代码

>>> len(dom)

访问子元素：

Python代码

>>> dom[0].tag

'body'

循环访问：

Python代码

>>> for child in dom:

... print child.tag

...

body

查看节点索引

Python代码

>>>body = dom[0]

>>> dom.index(body)

字节点获取父节点

Python代码

>>> body.getparent().tag

'html'

访问所有子节点

Python代码

>>> for ele in dom.iter():

... print ele.tag

...

html

body

div

遍历和打印所有子节点：

Python代码

>>> children = list(root)

>>> for child in root:

... print(child.tag)

元素的兄弟或邻居节点是通过next和previous属性来访问的
The siblings (or neighbours) of an element are accessed as next and previous elements:

Python代码

>>> root[0] is root[1].getprevious() # lxml.etree only!

True

>>> root[1] is root[0].getnext() # lxml.etree only!

True

3. 访问节点属性

Python代码

>>> body.get('id')

'1'

也可以这样

Python代码

>>> attrs = body.attrib

>>> attrs.get('id')

'1'

带属性的元素
XML元素支持属性，可以用Element工厂方法直接创建。

Python代码

>>> root = etree.Element("root", interesting="totally")

>>> etree.tostring(root)

b’<root interesting="totally"/>’

可以使用set和get方法访问这些属性：

Python代码

>>> print root.get("interesting")

totally

>>> root.set("interesting", "somewhat")

>>> print root.get("interesting")

somewhat

也可以使用attrib性质的字典接口

Python代码

>>> attributes = root.attrib

>>> print(attributes["interesting"])

somewhat

>>> print(attributes.get("hello"))

None

>>> attributes["hello"] = "Guten Tag"

>>> print(attributes.get("hello"))

Guten Tag

>>> print(root.get("hello"))

Guten Tag

4. 访问Element的内容

Python代码

>>> body.text

'abc'

>>> body.tail

text只是从本节点开始到第一个字节点结束；tail是从最后一个字节结束到本节点未知。

访问本节点所有文本信息

Python代码

>>> body.xpath('text()')

['abc', 'def', 'ghi']

访问本节点和子节点所有文本信息

Python代码

>>> body.xpath('//text()')

['abc', '123', 'def', '456', 'ghi']

貌似返回本文档中所有文字信息
body.text_content()返回本节点所有文本信息。

5.Xpath的支持

Python代码

所有的div元素

>>> for ele in dom.xpath('//div'):

... print ele.tag

...

div

id=“1”的元素

Python代码

>>> dom.xpath('//*[@id="1"]')[0].tag

'body'

body下的第1个div

Python代码

>>> dom.xpath('body/div[1]')[0].tag

'div'

参考：
lxml的官方文档：http://codespeak.net/lxml/
HtmlParser的性能：http://blog.ianbicking.org/2008/03/30/python-html-parser-performance/

不静之心

python html parser库lxml的介绍和使用

发表评论取消回复

访问信息

功能

近期评论

不静之心

python html parser库lxml的介绍和使用

发表评论 取消回复

访问信息

功能

近期评论

发表评论取消回复