Python lxml
Python lxml用法
lxml库(lxml安装)
-
python
的HTML/XML
的解析器 -
功能
- 解析
HTML
- 文件读取
etree
和xpath
配合
- 解析
from lxml import etree
Element类
Element是XML处理的核心类, Element对象可以直观的理解为XML的节点, 大部分XML节点的处理都是围绕该类进行的. 这部分包括三个内容: 节点的操作, 节点属性的操作, 节点内文本的操作.
一 : 节点操作
1. 创建Element对象
-
使用
Element
方法, 参数即节点名称.>>> root = etree.Element('root') >>> print(root) <Element root at 0x2da0708>
2. 获取节点名称
-
使用
tag
属性, 获取节点的名称.>>> print(root.tag) root
3.. 输出XML内容
-
使用
tostring
方法输出XML内容, 参数为Element对象.>>> print(etree.tostring(root)) b'<root><child1/><child2/><child3/></root>'
4. 添加子节点
-
使用
SubElement
方法创建子节点, 第一个参数为父节点(Element对象), 第二个参数为子节点名称.>>> child1 = etree.SubElement(root, 'child1') >>> child2 = etree.SubElement(root, 'child2') >>> child3 = etree.SubElement(root, 'child3')
5. 删除子节点
-
使用
remove
方法删除指定节点, 参数为Element对象. clear方法清空所有节点.>>> root.remove(child1) # 删除指定子节点 >>> print(etree.tostring(root)) b'<root><child2/><child3/></root>' >>> root.clear() # 清除所有子节点 >>> print(etree.tostring(root)) b'<root/>'
6. 以列表的方式操作子节点
-
可以将Element对象的子节点视为列表进行各种操作
>>> child = root[0] # 下标访问 >>> print(child.tag) child1 >>> print(len(root)) # 子节点数量 3 >>> root.index(child2) # 获取索引号 1 >>> for child in root: # 遍历 ... print(child.tag) child1 child2 child3 >>> root.insert(0, etree.Element('child0')) # 插入 >>> start = root[:1] # 切片 >>> end = root[-1:] >>> print(start[0].tag) child0 >>> print(end[0].tag) child3 >>> root.append( etree.Element('child4') ) # 尾部添加 >>> print(etree.tostring(root)) b'<root><child0/><child1/><child2/><child3/><child4/></root>'
7. 获取父节点
-
使用
getparent
方法可以获取父节点>>> print(child1.getparent().tag) root
二 : 属性操作
属性是以key-value的方式存储的, 就像字典一样.
1. 创建属性
-
可以在创建Element对象时同步创建属性, 第二个参数即为属性名和属性值:
>>> root = etree.Element('root', interesting='totally') >>> print(etree.tostring(root)) b'<root interesting="totally"/>' 也可以使用set方法给已有的Element对象添加属性, 两个参数分别为属性名和属性值: >>> root.set('hello', 'Huhu') >>> print(etree.tostring(root)) b'<root interesting="totally" hello="Huhu"/>'
2. 获取属性
-
属性是以key-value的方式存储的, 就像字典一样. 直接看例子
# get方法获得某一个属性值 >>> print(root.get('interesting')) totally # keys方法获取所有的属性名 >>> sorted(root.keys()) ['hello', 'interesting'] # items方法获取所有的键值对 >>> for name, value in sorted(root.items()): ... print('%s = %r' % (name, value)) hello = 'Huhu' interesting = 'totally'
-
也可以用attrib属性一次拿到所有的属性及属性值存于字典中:
>>> attributes = root.attrib >>> print(attributes) {'interesting': 'totally', 'hello': 'Huhu'} >>> attributes['good'] = 'Bye' # 字典的修改影响节点 >>> print(root.get('good')) Bye
三 : 文本操作
标签及标签的属性操作介绍完了, 最后就剩下标签内的文本了. 可以使用text和tail属性, 或XPath的方式来访问文本内容.
1. text
和 tail
属性
-
一般情况, 可以用Element的text属性访问标签的文本.
>>> root = etree.Element('root') >>> root.text = 'Hello, World!' >>> print(root.text) Hello, World! >>> print(etree.tostring(root)) b'<root>Hello, World!</root>'``` XML的标签一般是成对出现的, 有开有关, 但像HTML则可能出现单一的标签, 如下面这段代码中的`<br/>` `<html><body>Text<br/>Tail</body></html>` Element类提供了tail属性支持单一标签的文本获取. ```python >>> html = etree.Element('html') >>> body = etree.SubElement(html, 'body') >>> body.text = 'Text' >>> print(etree.tostring(html)) b'<html><body>Text</body></html>' >>> br = etree.SubElement(body, 'br') >>> print(etree.tostring(html)) b'<html><body>Text<br/></body></html>' # tail仅在该标签后面追加文本 >>> br.tail = 'Tail' >>> print(etree.tostring(br)) b'<br/>Tail' >>> print(etree.tostring(html)) b'<html><body>Text<br/>Tail</body></html>' # tostring方法增加method参数, 过滤单一标签, 输出全部文本 >>> print(etree.tostring(html, method='text')) b'TextTail'
2. XPATH
方式
-
example:
# 方式一: 过滤单一标签, 返回文本 >>> print(html.xpath('string()')) TextTail # 方式二: 返回列表, 以单一标签为分隔 >>> print(html.xpath('//text()')) ['Text', 'Tail']
-
方法二获得的列表, 每个元素都会带上它所属节点及文本类型信息, 如下:
>>> texts = html.xpath('//text()')) >>> print(texts[0]) Text # 所属节点 >>> parent = texts[0].getparent() >>> print(parent.tag) body >>> print(texts[1], texts[1].getparent().tag) Tail br # 文本类型: 是普通文本还是tail文本 >>> print(texts[0].is_text) True >>> print(texts[1].is_text) False >>> print(texts[1].is_tail) True
四 : 文件解析与输出
这部分讲述如何将XML文件解析为Element对象, 以及如何将Element对象输出为XML文件.
1. 文件解析
-
文件解析常用的有fromstring, XML和HTML三个方法. 接受的参数都是字符串.
>>> xml_data = '<root>data</root>' # fromstring方法 >>> root1 = etree.fromstring(xml_data) >>> print(root1.tag) root >>> print(etree.tostring(root1)) b'<root>data</root>' # XML方法, 与fromstring方法基本一样 >>> root2 = etree.XML(xml_data) >>> print(root2.tag) root >>> print(etree.tostring(root2)) b'<root>data</root>' # HTML方法, 如果没有<html>和<body>标签, 会自动补上 >>> root3 = etree.HTML(xml_data) >>> print(root3.tag) html >>> print(etree.tostring(root3)) b'<html><body><root>data</root></body></html>'
2. 输出
-
输出其实就是前面一直在用的tostring方法了, 这里补充xml_declaration和encoding两个参数, 前者是XML声明, 后者是指定编码.
>>> root = etree.XML('<root><a><b/></a></root>') >>> print(etree.tostring(root)) b'<root><a><b/></a></root>' # XML声明 >>> print(etree.tostring(root, xml_declaration=True)) b"<?xml version='1.0' encoding='ASCII'?>\n<root><a><b/></a></root>" # 指定编码 >>> print(etree.tostring(root, encoding='iso-8859-1')) b"<?xml version='1.0' encoding='iso-8859-1'?>\n<root><a><b/></a></root>"
五 : ElementPath
-
讲ElementPath前, 需要引入ElementTree类, 一个ElementTree对象可理解为一个完整的XML树, 每个节点都是一个Element对象. 而ElementPath则相当于XML中的XPath. 用于搜索和定位Element元素.
-
两个常用方法, 可以满足大部分搜索, 查询需求, 它们的参数都是XPath语句(关于XPath的学习可以查看我之前的一片文章):
findall(): 返回所有匹配的元素, 返回列表
find(): 返回匹配到的第一个元素
>>> root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>") # 查找第一个b标签 >>> print(root.find('b')) None >>> print(root.find('a').tag) a # 查找所有b标签, 返回Element对象组成的列表 >>> [ b.tag for b in root.findall('.//b') ] ['b', 'b'] # 根据属性查询 >>> print(root.findall('.//a[@x]')[0].tag) a >>> print(root.findall('.//a[@y]')) []
六 : 案例
- 解析
HTML
,案例1.py
- 文件读取,
案例2.html
,案例2.py
etree
和XPath
的配合使用,案例3.py
案例1.py
'''
安装lxml
'''
from lxml import etree
'''
用lxml来解析HTML代码
'''
text = '''
<div>
<ul>
<li class="item-0"> <a href="0.html"> first item </a></li>
<li class="item-1"> <a href="1.html"> first item </a></li>
<li class="item-2"> <a href="2.html"> first item </a></li>
<li class="item-3"> <a href="3.html"> first item </a></li>
<li class="item-4"> <a href="4.html"> first item </a></li>
<li class="item-5"> <a href="5.html"> first item </a>
</ul>
</div>
'''
# 利用etree.HTML把字符串解析成HTML文档
html = etree.HTML(text)
s = etree.tostring(html)
print(s)
案例2.html
<?xml version="1.0" encoding="utf-8"?>
<bookstore>
<book category="cooking">
<title lang="en">Everyday Italian</title>
<author>Gidada De</author>
<year>2018</year>
<price>23</price>
</book>
<book category="education">
<title lang="en">Python is Python</title>
<author>Food War</author>
<year>2008</year>
<price>83</price>
</book>
<book category="sport">
<title lang="en">Running</title>
<author>Klaus Kuka</author>
<year>2010</year>
<price>43</price>
</book>
</bookstore>
案例2.py
from lxml import etree
# 只能读取xml格式内容, html报错
html = etree.parse("./v30.html")
rst = etree.tostring(html, pretty_print=True)
print(rst)
案例3.py
from lxml import etree
# 只能读取xml格式内容, html报错
html = etree.parse("./v30.html")
print(type(html))
rst = html.xpath('//book')
print(type(rst))
print(rst)
# xpath的意识是, 查找带有category属性值为sport的book元素
rst = html.xpath('//book[@category="sport"]')
print(type(rst))
print(rst)
# xpath的意识是, 查找带有category属性值为sport的book元素下的year元素
rst = html.xpath('//book[@category="sport"]/year')
rst = rst[0]
print(type(rst))
print(rst.tag)
print(rst.text)
其他(总)
-
目前有很多
xml
,html
文档的parser
,如标准库的xml.etree
,beautifulsoup
, 还有lxml
. 都用下来感觉lxml
不错,速度也还行 -
围绕三个问题:
- 有一个XML文件, 如何解析
- 解析后, 如果查找, 定位某个标签
- 定位后如何操作标签, 比如访问属性, 文本内容等
这些操作应该算是比较基础的,还可以自己在网上查找相关教程,官网更详细一点,进阶xpath语法,要在以后操作xml文件和html文件用上.
#!/usr/bin/python
# coding=utf-8
# __author__='dahu'
#
'''
Element是XML处理的核心类,
Element对象可以直观的理解为XML的节点, 大部分XML节点的处理都是围绕该类进行的.
这部分包括三个内容: 节点的操作, 节点属性的操作, 节点内文本的操作.
'''
from lxml import etree
# 1.创建element
root = etree.Element('root')
print root, root.tag
# 2.添加子节点
child1 = etree.SubElement(root, 'child1')
child2 = etree.SubElement(root, 'child2')
# 3.删除子节点
# root.remove(child2)
# 4.删除所有子节点
# root.clear()
# 5.以列表的方式操作子节点
print(len(root))
print root.index(child1) # 索引号
root.insert(0, etree.Element('child3')) # 按位置插入
root.append(etree.Element('child4')) # 尾部添加
# 6.获取父节点
print(child1.getparent().tag)
# print root[0].getparent().tag #用列表获取子节点,再获取父节点
'''以上都是节点操作'''
# 7.创建属性
# root.set('hello', 'dahu') #set(属性名,属性值)
# root.set('hi', 'qing')
# 8.获取属性
# print(root.get('hello')) #get方法
# print root.keys(),root.values(),root.items() #参考字典的操作
# print root.attrib #直接拿到属性存放的字典,节点的attrib,就是该节点的属性
'''以上是属性的操作'''
# 9.text和tail属性
# root.text = 'Hello, World!'
# print root.text
# 10.test,tail和text的结合
html = etree.Element('html')
html.text = 'html.text'
body = etree.SubElement(html, 'body')
body.text = 'wo ai ni'
child = etree.SubElement(body, 'child')
child.text='child.text' #一般情况下,如果一个节点的text没有内容,就只有</>符号,如果有内容,才会<>,</>都有
child.tail = 'tails' # tail是在标签后面追加文本
print(etree.tostring(html))
# print(etree.tostring(html, method='text')) # 只输出text和tail这种文本文档,输出的内容连在一起,不实用
#11.Xpath方式
# print(html.xpath('string()')) #这个和上面的方法一样,只返回文本的text和tail
print(html.xpath('//text()')) #这个比较好,按各个文本值存放在列表里面
tt=html.xpath('//text()')
print tt[0].getparent().tag #这个可以,首先我可以找到存放每个节点的text的列表,然后我再根据text找相应的节点
# for i in tt:
# print i,i.getparent().tag,'\t',
#12.判断文本类型
print tt[0].is_text,tt[-1].is_tail #判断是普通text文本,还是tail文本
'''以上都是文本的操作'''
#13.字符串解析,fromstring方式
xml_data = '<html>html.text<body>wo ai ni<child>child.text</child>tails</body></html>'
root1=etree.fromstring(xml_data) #fromstring,字面意思,直接来源字符串
# print root1.tag
# print etree.tostring(root1)
#14.xml方式
root2 = etree.XML(xml_data) #和fromstring基本一样,
print etree.tostring(root2)
#15.文件类型解析
tree =etree.parse('text') #文件解析成元素树
root3 = tree.getroot() #获取元素树的根节点
print etree.tostring(root3,pretty_print=True)
parser= etree.XMLParser(remove_blank_text=True) #去除xml文件里的空行
root = etree.XML("<root> <a/> <b> </b> </root>",parser)
print etree.tostring(root)
#16.html方式
xml_data1='<root>data</root>'
root4 = etree.HTML(xml_data1)
print(etree.tostring(root4))#HTML方法, 如果没有<html>和<body>标签, 会自动补上
#注意,如果是需要补全的html格式:这样处理哦
with open("quotes-1.html",'r')as f:
a=H.document_fromstring(f.read().decode("utf-8"))
for i in a.xpath('//div[@class="quote"]/span[@class="text"]/text()'):
print i
#17.输出内容,输出xml格式
print etree.tostring(root)
print(etree.tostring(root, xml_declaration=True,pretty_print=True,encoding='utf-8'))#指定xml声明和编码
'''以上是文件IO操作'''
#18.findall方法
root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>")
print(root.findall('a')[0].text)#findall操作返回列表
print(root.find('.//a').text) #find操作就相当与找到了这个元素节点,返回匹配到的第一个元素
print(root.find('a').text)
print [ b.text for b in root.findall('.//a') ] #配合列表解析,相当帅气!
print(root.findall('.//a[@x]')[0].tag) #根据属性查询
'''以上是搜索和定位操作'''
print(etree.iselement(root))
print root[0] is root[1].getprevious() #子节点之间的顺序
print root[1] is root[0].getnext()
'''其他技能'''
# 遍历元素数
root = etree.Element("root")
etree.SubElement(root, "child").text = "Child 1"
etree.SubElement(root, "child").text = "Child 2"
etree.SubElement(root, "another").text = "Child 3"
etree.SubElement(root[0], "childson").text = "son 1"
# for i in root.iter(): #深度遍历
# for i in root.iter('child'): #只迭代目标值
# print i.tag,i.text
# print etree.tostring(root,pretty_print=True)