Python數(shù)據(jù)提取-lxml模塊
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應用商城進行下載,如果無法下載,也可以從下面的鏈接進行下載
- 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瀏覽器擴展程序界面;
3、xpath 的節(jié)點關(guān)系
學習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)、這些路徑表達式和我們在常規(guī)的電腦文件系統(tǒng)中看到的表達式非常相似;
- 3)、使用chrome插件選擇標簽時候,選中的標簽會添加屬性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)標簽的屬性值,下標等來獲取特定的節(jié)點。
5.1 選取特定節(jié)點的語法

5.2 關(guān)于xpath的下標
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形式的響應內(nèi)容進行提取。
pip install lxml
7.2 爬蟲對html提取的內(nèi)容
提取標簽中的文本內(nèi)容;
提取標簽中的屬性的值;
比如,提取a標簽中href屬性的值,獲取url,進而繼續(xù)發(fā)起請求。
7.3 lxml模塊的使用
1)、導入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簽,列表中的Element對象可以繼續(xù)進行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
? ? ? ? ? ? data = self.get_data(self.url)
? ? ? ? ? ? # 從響應中提取數(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)可以自動補全標簽;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!
相關(guān)文章
利用python實現(xiàn)周期財務統(tǒng)計可視化
這篇文章主要給大家介紹了關(guān)于如何利用python實現(xiàn)周期財務統(tǒng)計可視化的相關(guān)資料,文中通過示例代碼介紹的非常詳細,對大家學習或者使用python具有一定的參考學習價值,需要的朋友們下面來一起學習學習吧2019-08-08
idea創(chuàng)建springMVC框架和配置小文件的教程圖解
本文通過圖文并茂的形式給大家介紹了idea創(chuàng)建springMVC框架和配置小文件的方法,非常不錯,具有一定的參考借鑒價值,需要的朋友參考下吧2018-09-09
pytorch Dataset,DataLoader產(chǎn)生自定義的訓練數(shù)據(jù)案例
這篇文章主要介紹了pytorch Dataset, DataLoader產(chǎn)生自定義的訓練數(shù)據(jù)案例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03
Python3實現(xiàn)發(fā)送QQ郵件功能(html)
這篇文章主要為大家詳細介紹了Python3實現(xiàn)發(fā)送QQ郵件功能,html格式的qq郵件,具有一定的參考價值,感興趣的小伙伴們可以參考一下2017-12-12
關(guān)于Python使用turtle庫畫任意圖的問題
這篇文章主要介紹了Python turtle庫畫任意圖,本文給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2022-04-04

