from:https://www.cnblogs.com/ospider/p/5911339.html
最近要做下微信爬虫,之前写个小东西都是直接用正则提取数据就算了,如果需要更稳定的提取数据,还是使用 xpath 定位元素比较可靠。周末没事,从爬虫的角度研究了一下 python xml 相关的库。
Python 标准库中自带了 xml 模块,但是性能不够好,而且缺乏一些人性化的 API,相比之下,第三方库 lxml 是用 Cython 实现的,而且增加了很多实用的功能,可谓爬虫处理网页数据的一件利器。lxml 大部分功能都存在 lxml.etree
中,所以下文都假定已经执行了
from lxml import etree
解析 XML 字符串
网页下载下来以后是个字符串的形式,使用etree.fromstring(str)
构造一个 etree._ElementTree
对象,使用 etree.tostring(t)
返回一个字符串
>>> xml_string = '<root><foo id="foo-id" class="foo zoo">Foo</foo><bar>中文</bar><baz></baz></root>' >>> root = etree.fromstring(xml_string.encode('utf-8')) # 最好传 byte string >>> etree.tostring(root) # 默认返回的是 byte string b'<root>root content<foo id="foo-id" class="foo zoo">Foo</foo><bar>Bar</bar><baz/></root>' >>> print(etree.tostring(root, pretty_print=True).decode('utf-8')) #decode 一下变成 unicode <root> <foo id="foo-id" class="foo zoo">Foo</foo> <bar>Bar</bar> <baz/> # 注意这里没有子节点的 baz 节点被变成了自闭和的标签 </root> >>> type(root) <class 'lxml.etree._Element'> # 可以看出 tostring 返回的是一个_Element类型的对象,也就是整个 xml 树的根节点
Element结构
etree._Element
是一个设计很精妙的结构,可以把他当做一个对象访问当前节点自身的文本节点,可以把他当做一个数组,元素就是他的子节点,可以把它当做一个字典,从而遍历他的属性
>>> root.text
'root content' # 注意只是 root 自身的文本,并不包含子节点的文本
>>> root.tag
'root' >>> root[0].tag 'foo' >>> foo = root[0] >>> for attr, val in foo.items(): ... print(attr, val) ... id foo-id class foo zoo >>> foo.get('id') 'foo-id' >>> foo.attrib {'class': 'foo zoo', 'id': 'foo-id'}
Element 和 ElementTree
xml 是一个树形结构,lxml 使用etree._Element
和 etree._ElementTree
来分别代表树中的节点和树,etree.ELement
和 etree.ElementTree
分别是两个工厂函数
>>> t = root.getroottree()
# 获得一个节点对应的树
<lxml.etree._ElementTree object at 0x107295308>
>>> t.getroot() == root
# 使用getroot 返回一个树的根节点 True >>> foo_tree = etree.ElementTree(root) # 也可以从一个节点构造一个树,那么这个节点就是这棵树的根 >>> foo_tree.getroot().tag 'foo' >>> foo.getroottree().tag 'root' #注意,foo 这个节点的 roottree 仍然是以 root 节点为根的
其他方法如getparent()/getprevious()/getnext()
都是显而易见的,不赘述了
XPath
XPath 实在太强大了,在定位元素方面绝对是秒杀 CSS 选择器。在 lxml 中,_Element
和 _ElementTree
分别具有xpath 函数,两者的区别在于:
如果是相对路径,_Element.xpath
是以当前节点为参考的,_ElementTree.xpath
以根为参考
如果是绝对路径,_ElementTree.xpath
是以当前节点的getroottree
的根节点为参考的
还有,如果 xpaht 表达式应该返回元素的话,总是返回一个数组,即使只有一个元素
>>> foo.xpath('/root')[0].tag
'root'
>>> foo.xpath('.')[0].tag 'foo' >>> >>> t.xpath('/root')[0].tag 'root' >>> t.xpath('.')[0].tag 'root' >>>
lxml 还支持几个函数 find/findall
,他们使用 ElementPath,是一种类似 xpath 的语言,感觉很是奇怪,lxml 的文档描述他是 xpath 的一个子集,暂时不看了。
HTML
最后再来讨论一下 HTML,以上的讨论都是基于 xml 的,HTML 和 xml 还是有些许不同的,lxml 也有一个专门的 html 模块。
比如我们解析 html 的话最好使用html.fromstring()
,返回的是lxml.html.HtmlElement
,具有上述的所有能力,同时能够更好地兼容 html。
>>> etree.fromstring('<meta charset=utf-8 />')
# 比如这句就会报错,因为属性值没有用引号括起来
Traceback (most recent call last):
File "<stdin>", line 1, in <module> File "src/lxml/lxml.etree.pyx", line 3213, in lxml.etree.fromstring (src/lxml/lxml.etree.c:77737) File "src/lxml/parser.pxi", line 1830, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:116674) File "src/lxml/parser.pxi", line 1711, in lxml.etree._parseDoc (src/lxml/lxml.etree.c:115220) File "src/lxml/parser.pxi", line 1051, in lxml.etree._BaseParser._parseUnicodeDoc (src/lxml/lxml.etree.c:109345) File "src/lxml/parser.pxi", line 584, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:103584) File "src/lxml/parser.pxi", line 694, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:105238) File "src/lxml/parser.pxi", line 624, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:104147) lxml.etree.XMLSyntaxError: AttValue: " or ' expected, line 1, column 15 >>> html.fromstring('<meta charset=utf-8>') # 没有问题
html.HtmlElement
同时多了几项功能
>>> doc = html.fromstring('<div><p>lorem <span>poium</span></p></div>')
>>> doc.text_content()
'lorem poium'