Python 官方文档：入门教程 => 点击学习
目录1.lxml库简介2.lxml库方法介绍3.代码实例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
lxml 为第三方库，需要我们通过pip命令安装：
pip install lxmllxml 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
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库内容请搜索编程网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编程网！
--结束END--
本文标题: Python 文档解析lxml库的使用详解
本文链接: https://lsjlt.com/news/120409.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0