爬虫必学包 lxml,我的一个使用总结!

共 1377字,需浏览 3分钟

 ·

2022-03-16 05:15

你好,我是zhenguo

这是我的第504篇原创

这篇文章讲什么?

我们爬取网页后,无非是先定位到html标签,然后取其文本。定位标签,最常用的一个包lxml

在这篇文章,我会使用一个精简后的html页面,演示如何通过lxml定位并提取出想要的文本,包括:

  • html是什么?
  • 什么是lxml?
  • lxml例子,包括如何定位?如何取内容?如何获取属性值?

html是什么?

html,全称HyperText Markup Language,是超文本标记结构。

html组织结构对应数据结构的树模型。

因为是树,所以只有一个根节点,即一对标签。一对<>和名称组合称为标签,例如,被称为开始标签,被称为结束标签。

开始标签中可以添加附加信息,风格为属性名=属性值

如下所示,选中的

就是一个开始标签,它有属性id,值为content,还有属性style等:

4636c5c8a3c4a0612c06a14d507156a7.webp

什么是lxml?

lxml官档截图如下,按照官档的说法,lxml是Python语言中,处理XML和HTML,功能最丰富、最易于使用的库。

255d3930fe540d42de2ab68054d51445.webp

不难猜想,lxml中一定实现了查询树中某个节点功能,并且应该性能极好。

lxml例子

废话不多说,举例演示lxml超简便的定位能力。

导入lxml中的etree

from lxml import etree

my_page是html风格的字符串,内容如下所示:

my_page = '''

程序员zhenguo


    
我的文章

    

我的网站


    
        
         从零学Python 
        
        大纲
        


            更多详情
        


        Python包
        Python小白
        Python进阶
    

    
        本站总访问量159323次


    

    Copyright © 2019 - 2021 程序员zhenguo




'''

使用etree.fromstring转化为可以使用xpath的对象

html = etree.fromstring(my_page)

定位

接下来,就能方便的定位:

  1. 定位出所有div标签,写法//div
# 定位
divs1 = html.xpath('//div')
  1. 定位出含有属性名为id的所有标签,写法为://div[@id]
divs2 = html.xpath('//div[@id]')
  1. 定位出含有属性名class等于foot的所有div标签,写法为://div[@class="foot"]
divs3 = html.xpath('//div[@class="foot"]')
  1. 定位出含有属性名的所有div标签,写法为://div[@*]
divs4 = html.xpath('//div[@*]')
  1. 定位出不含有属性名的所有div标签,写法为:not(@*)
divs5 = html.xpath('//div[not(@*)]')
  1. 定位出第一个div标签,写法为://div[1]
divs6 = html.xpath('//div[1]')
  1. 定位出最后一个div标签,写法为://div[last()]
divs7 = html.xpath('//div[last()]')
  1. 定位出前两个div标签,写法为//div[position()<3],注意从1开始:
divs8 = html.xpath('//div[position()<3]')
  1. 定位出所有div标签和h1标签,写法为://div|//h1,使用|表达:
divs9 = html.xpath('//div|//h1')

取内容

取出一对标签中的内容,使用text()方法。

如下所示,取出属性名为foot的标签div中的text:

text1 = html.xpath('//div[@class="foot"]/text()')

取属性

除了定位标签,获取标签间的内容外,也会需要提取属性对应值。

获取标签a下所有属性名为href的对应属性值,写法为://a/@href

value1 = html.xpath('//a/@href')

得到结果:

['http://www.zglg.work''http://www.zglg.work/python-packages/''http://www.zglg.work/python-intro/''http://www.zglg.work/python-level/']

还可以做一些特殊的定制操作,如使用findall方法,定位到div标签下带有a的标签。

使用text获取内容,a.attrib.get获取对应属性值

divs = html.xpath('//div[position()<3]')
for div in divs:
    ass = div.findall('a')  # div/a
    for a in ass:
        if a is not None:
            # print(dir(a))
            print(a.text, a.attrib.get('href'))  

最后注意一个区别,a_href等于第二个div标签下的子标签a的href属性值;

b_href等于第二个div标签下的子或所有后代标签下a的href属性值:

a_href = html.xpath('//div[position()=2]/a/@href')
print(a_href)

b_href = html.xpath('//div[position()=2]//a/@href')
print(b_href)

宣传我的课程

课程视频制作初衷:根据我过往7年多工作经历,5年多自媒体技术写作经验,以及期间与粉丝们的各种各样的交流,最终我决定打造这个系列课程,全由我一人完成,保证质量。真正帮助那些想从零完成就业的小伙伴们。路在何方,路在脚下。

课程总览:全是Python视频系列课程,包括多门课,帮助你从零到就业。不止一门课,目前已有从零学Python精品120课,正在更新从零学Python网络爬虫,从零学Python数据分析等。初步估计,全部更完至少会有300课。每课长度在2分钟~20分钟不等。

课程服务:课程提供电脑和手机双端学习平台,除了多门课精品视频外,还有配套讲义,完整源码文件。最重要的,会设有班级答疑群,解答疑问。

目前已有23个章节的课程大纲(包括从零学Python编程,从零学爬虫,从零学数据分析),鉴于篇幅有限,我就不一一放到这里了,感兴趣的点击下图二维码,去了解:

d52125355bc3159ef97ee0a00486fc25.webp

帮助你从零到就业

现在价格只有299元

299元录制视频,永久反复回看=从零学Python编程课(120课)+从零学爬虫课(50课)+从零学数据分析课(50课)+班级答疑群+课程讲义+配套资料

浏览 26
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报