知識點：

• 了解lxml模塊和xpath語法的關(guān)系；
• 了解lxml模塊的使用場景；
• 了解lxml模塊的安裝；
• 了解 谷歌瀏覽器xpath helper插件的安裝和使用；
• 掌握xpath語法-基礎(chǔ)節(jié)點選擇語法；
• 掌握 xpath語法 -節(jié)點修飾語法；
• 掌握xpath語法 - 其他常用語法；
• 掌握 lmxl模塊中使用xpath語法定位元素提取數(shù)學(xué)值或文本內(nèi)容；
• 掌握lxml模塊etree.tostring函數(shù)的使用；

1、了解lxml模塊和xpath語法

對html或xml形式的文本提取特定的內(nèi)容，就需要我們掌握lxml模塊的使用和xpath語法。

lxml模塊可以利用xPath規(guī)則語法，來快速的定位HEML \ XML 文檔中特定元素以及獲取節(jié)點信息（文本內(nèi)容、屬性值）；
XPath (XML Path Language)是一門HTML\XML 文檔中查找信息的語言，可用來在HTML|XML文檔中對元素和屬性進(jìn)行遍歷。
提取xml、html的數(shù)據(jù)需要lxml模塊和xpath語法配合使用；

2、谷歌瀏覽器xpath helper插件的安裝和使用

• 在谷歌瀏覽器中對當(dāng)前頁面測試xpath語法規(guī)則。
• 谷歌瀏覽器xpath helper插件的安裝和使用

我們以windows為例進(jìn)行xpath helper的安裝。

xpath helper插件的安裝：

• 1）、下載Chrome插件 XPath Helper
• 可以在Chrome應(yīng)用商城進(jìn)行下載，如果無法下載，也可以從下面的鏈接進(jìn)行下載
• 2）、把文件的后綴名crx改為rar,然后解壓到同名文件夾中；
• 3）、把解壓后的文件夾拖入到已經(jīng)開啟開發(fā)者模式的chrome瀏覽器擴(kuò)展程序界面；

3、xpath 的節(jié)點關(guān)系

學(xué)習(xí)xpath語法需要先了解xpath中的節(jié)點關(guān)系。

3.1 xpath中的節(jié)點什么

每個html、xml的標(biāo)簽我們都稱之為節(jié)點，其中最頂層的節(jié)點稱為根節(jié)點。我們以xml為例、html也是一樣的。、

3.2 xpath中節(jié)點的關(guān)系

author 是 title的第一個兄弟節(jié)點。

4、xpath語法 - 選取節(jié)點以及提取屬性或文本內(nèi)容的語法

• 1）、XPath 使用路徑表達(dá)式來選取XML文檔中的節(jié)點或者節(jié)點集。
• 2）、這些路徑表達(dá)式和我們在常規(guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似；
• 3）、使用chrome插件選擇標(biāo)簽時候，選中的標(biāo)簽會添加屬性class=“xh-highlight”;

4.1 xpath定位節(jié)點以及提取屬性或文本內(nèi)容的語法

5、xpath 語法 - 選取特定節(jié)點的語法

可以根據(jù)標(biāo)簽的屬性值，下標(biāo)等來獲取特定的節(jié)點。

5.1 選取特定節(jié)點的語法

5.2 關(guān)于xpath的下標(biāo)

在xpath中，第一個元素的位置是1；
最后一個元素的位置是last();
倒數(shù)第二個是last() - 1;

6、xpath語法 - 選取未知節(jié)點的語法

可以同通配符來選取未知的html、xml的元素。

6.1、選取未知節(jié)點的語法

7.lxml模塊的安裝與使用示例

lxml模塊是一個第三方模塊，安裝之后使用。

7.1 lxml模塊的安裝

對發(fā)送請求獲取的xml或html形式的響應(yīng)內(nèi)容進(jìn)行提取。

pip install lxml

7.2 爬蟲對html提取的內(nèi)容

提取標(biāo)簽中的文本內(nèi)容；
提取標(biāo)簽中的屬性的值；
比如，提取a標(biāo)簽中href屬性的值，獲取url，進(jìn)而繼續(xù)發(fā)起請求。

7.3 lxml模塊的使用

1）、導(dǎo)入lxml的etree庫

from lxml import etree

2)、利用etree.HTML，將html字符串（bytes類型或str類型）轉(zhuǎn)化為Element對象，Element對象具有xpath的方法，返回結(jié)果的類別。

html = etree.HTML(text)
ret_list = html.xpath("xpath語法規(guī)則字符串")

3)、xpath方法返回列表的三種情況
返回空列表：根據(jù)xpath語法規(guī)則字符串，沒有定位到任何元素；
返回由字符串構(gòu)成的列表：xpath字符串規(guī)則匹配的一定是文本內(nèi)容或某屬性的值；
返回由Element對象構(gòu)成的列表：xpath規(guī)則字符串匹配的是標(biāo)簽，列表中的Element對象可以繼續(xù)進(jìn)行xpath;

import requests
from lxml import etree

class Tieba(object):

? ? def __init__(self,name):
? ? ? ? self.url = "https://tieba.baidu.com/f?ie=utf-8&kw={}".format(name)
? ? ? ? self.headers = {
? ? ? ? ? ? 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
? ? ? ? }

? ? def get_data(self,url):
? ? ? ? response = requests.get(url,headers=self.headers)
? ? ? ? with open("temp.html","wb") as f:
? ? ? ? ? ? f.write(response.content)

? ? ? ? return response.content

? ? def parse_data(self,data):
? ? ? ? # 創(chuàng)建element對象
? ? ? ? data = data.decode().replace("<!--","").replace("-->","")
? ? ? ? html =etree.HTML(data)

? ? ? ? el_list = html.xpath('//li[@class="j_thread_list clearfix"]/div/div[2]/div[1]/div[1]/a')
? ? ? ? #print(len(el_list))

? ? ? ? data_list = []

? ? ? ? for el in el_list:
? ? ? ? ? ? temp = {}
? ? ? ? ? ? temp['title'] = el.xpath("./text()")[0]
? ? ? ? ? ? temp['link'] = 'http://tieba.baidu.com' + el.xpath("./@href")[0]
? ? ? ? ? ? data_list.append(temp)

? ? ? ? # 獲取下一頁url
? ? ? ? try:
? ? ? ? ? ? next_url = 'https:' + html.xpath('//a[contains(text(),"下一頁"]/@href')[0]
? ? ? ? except:
? ? ? ? ? ? next_url = None

? ? ? ? return data_list,next_url

? ? def save_data(self,data_list):
? ? ? ? for data in data_list:
? ? ? ? ? ? print(data)

? ? def run(self):
? ? ? ? # url
? ? ? ? # headers
? ? ? ? next_url = self.url

? ? ? ? while True:

? ? ? ? ? ? # 發(fā)送請求，獲取響應(yīng)
? ? ? ? ? ? data = self.get_data(self.url)
? ? ? ? ? ? # 從響應(yīng)中提取數(shù)據(jù)（數(shù)據(jù)和翻頁用的url)
? ? ? ? ? ? data_list,next_url = self.parse_data(data)

? ? ? ? ? ? self.save_data(data_list)

? ? ? ? ? ? print(next_url)

? ? ? ? ? ? # 判斷是否終結(jié)
? ? ? ? ? ? if next_url == None:
? ? ? ? ? ? ? ? break

if __name__ == '__main__':
? ? tieba =Tieba("傳智播客")
? ? tieba.run()

8、lxml模塊中etree.tostring函數(shù)的使用

運行下邊的代碼，觀察對比html的原字符串和打印輸出的結(jié)果

from lxml import etree

html_str = """<div<<ul>
? ? ? ? <li class="item-1"><a href="link1.html" rel="external nofollow" >first item</a></li>
? ? ? ? <li class="item-1"><a href="link2.html" rel="external nofollow" >second item</a></li>
? ? ? ? <li class="item-inactive"><a href="link3.html" rel="external nofollow" >third item</a></li>
? ? ? ? <li class="item-1"><a href="link4.html" rel="external nofollow" >fourth item</a></li>
? ? ? ? <li class="item=0"><a href="link5.html" rel="external nofollow" >fifth item</a>
? ? ? ? </ur></div>
"""

html = etree.HTML(html_str)

handeled_html_str = etree.tostring(html).decode()
print(handeled_html_str)

結(jié)論：

• lxml.etree.HTML(html_str)可以自動補(bǔ)全標(biāo)簽；
• lxml.etree.tostring 函數(shù)可以將轉(zhuǎn)換位Element對象再轉(zhuǎn)換回html字符串；
• 爬蟲如果使用lxml來提取數(shù)據(jù)，應(yīng)該以lxml.etree.tostring 的返回結(jié)果作為提取數(shù)據(jù)的依據(jù)；

到此這篇關(guān)于Python數(shù)據(jù)提取-lxml模塊的文章就介紹到這了,更多相關(guān)Python -lxml模塊內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！