23.Python lxml库的安装和使用

lxml 是 Python 的第三方解析库，完全使用 Python 语言编写，它对 Xpath 表达式提供了良好的支持，因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。

安装lxml库

lxml 属于 Python 第三方库，因此需要使用如下方法安装：

pip3 install lxml

在 CMD 命令行验证是否安装成功。若引入模块，不返回错误则说明安装成功。

>>> import lxml
>>>

lxml使用流程

lxml 库提供了一个 etree 模块，该模块专门用来解析 HTML/XML 文档，下面我们简单介绍一下 lxml 库的使用流程，如下所示：

1) 导入模块

from lxml import etree

2) 创建解析对象

调用 etree 模块的 HTML() 方法来创建 HTML 解析对象。如下所示：

parse_html = etree.HTML(html)

HTML() 方法能够将 HTML 标签字符串解析为 HTML 文件，该方法可以自动修正 HTML 文本。示例如下：

  1. from lxml import etree
  2. html_str = '''
  3. <div>
  4. <ul>
  5. <li class="item1"><a href="link1.html">Python</a></li>
  6. <li class="item2"><a href="link2.html">Java</a></li>
  7. <li class="site1"><a href="c.biancheng.net">C语言中文网</a>
  8. <li class="site2"><a href="www.baidu.com">百度</a></li>
  9. <li class="site3"><a href="www.jd.com">京东</a></li>
  10. </ul>
  11. </div>
  12. '''
  13. html = etree.HTML(html_str)
  14.  
  15. # tostring()将标签元素转换为字符串输出，注意：result为字节类型
  16. result = etree.tostring(html)
  17.  
  18. print(result.decode('utf-8'))

输出结果如下：

  1. <html><body><div>
  2. <ul>
  3. <li class="item1"><a href="link1.html">Python</a></li>
  4. <li class="item2"><a href="link2.html">Java</a></li>
  5. <li class="site1"><a href="c.biancheng.net">C&#35821;&#35328;&#20013;&#25991;&#32593;</a></li>
  6. <li class="site2"><a href="www.baidu.com">&#30334;&#24230;</a></li>
  7. <li class="site3"><a href="www.jd.com">&#20140;&#19996;</a>
  8. </li></ul>
  9. </div>
  10. </body></html>

上述 HTML 字符串存在缺少标签的情况，比如“C语言中文网”缺少一个 </li> 闭合标签，当使用了 HTML() 方法后，会将其自动转换为符合规范的 HTML 文档格式。

3) 调用xpath表达式

最后使用第二步创建的解析对象调用 xpath() 方法，完成数据的提取，如下所示：

r_list = parse_html.xpath('xpath表达式')

lxml库数据提取

下面通过一段 HTML 代码实例演示如何使用 lxml 库提取想要的数据。HTML 代码如下所示：

  1. <div class="wrapper">
  2. <a href="www.biancheng.net/product/" id="site">website product</a>
  3. <ul id="sitename">
  4. <li><a href="http://www.biancheng.net/" title="编程帮">编程</a></li>
  5. <li><a href="http://world.sina.com/" title="新浪娱乐">微博</a></li>
  6. <li><a href="http://www.baidu.com" title="百度">百度贴吧</a></li>
  7. <li><a href="http://www.taobao.com" title="淘宝">天猫淘宝</a></li>
  8. <li><a href="http://www.jd.com/" title="京东">京东购物</a></li>
  9. <li><a href="http://c.bianchneg.net/" title="C语言中文网">编程</a></li>
  10. <li><a href="http://www.360.com" title="360科技">安全卫士</a></li>
  11. <li><a href="http://www.bytesjump.com/" title=字节">视频娱乐</a></li>
  12. <li><a href="http://bzhan.com/" title="b站">年轻娱乐</a></li>
  13. <li><a href="http://hao123.com/" title="浏览器">搜索引擎</a></li>
  14. </ul>
  15. </div>

1) 提取所有a标签内的文本信息

  1. from lxml import etree
  2. # 创建解析对象
  3. parse_html=etree.HTML(html)
  4. # 书写xpath表达式,提取文本最终使用text()
  5. xpath_bds='//a/text()'
  6. # 提取文本数据，以列表形式输出
  7. r_list=parse_html.xpath(xpath_bds)
  8. # 打印数据列表
  9. print(r_list)

输出结果：

['website product', '编程', '微博', '百度贴吧', '天猫淘宝', '京东购物', '编程', '安全卫士', '视频娱乐', '年轻娱乐', '搜索引擎']

2) 获取所有href的属性值

  1. from lxml import etree
  2. # 创建解析对象
  3. parse_html=etree.HTML(html)
  4. # 书写xpath表达式,提取文本最终使用text()
  5. xpath_bds='//a/@href'
  6. # 提取文本数据，以列表形式输出
  7. r_list=parse_html.xpath(xpath_bds)
  8. # 打印数据列表
  9. print(r_list)

输出结果：

['http://www.biancheng.net/product/', 'http://www.biancheng.net/', 'http://world.sina.com/', 'http://www.baidu.com', 'http://www.taobao.com', 'http://www.jd.com/', 'http://c.bianchneg.net/', 'http://www.360.com', 'http://www.bytesjump.com/', 'http://bzhan.com/', 'http://hao123.com/']

3) 不匹配href=" www.biancheng.net/priduct"

  1. from lxml import etree
  2. # 创建解析对象
  3. parse_html=etree.HTML(html)
  4. # 书写xpath表达式,提取文本最终使用text()
  5. xpath_bds='//a/@href'
  6. # 提取文本数据，以列表形式输出
  7. xpath_bds='//ul[@id="sitename"]/li/a/@href'
  8. # 打印数据列表
  9. print(r_list)

输出结果：

 

posted @   随遇而安==  阅读(180)  评论(0)  编辑  收藏  举报
相关博文：
·  24.Python lxml解析库实战应用
·  17.Python Requests库安装和使用
·  24. Python lxml库的安装和使用
·  03 Xpath lxml库的安装和使用
·  爬虫（7） - 网页数据解析(3) | lxml解析数据
阅读排行：
· winform 绘制太阳，地球，月球 运作规律
· 超详细：普通电脑也行Windows部署deepseek R1训练数据并当服务器共享给他人
· TypeScript + Deepseek 打造卜卦网站：技术与玄学的结合
· AI 智能体引爆开源社区「GitHub 热点速览」
· 写一个简单的SQL生成工具
点击右上角即可分享
微信分享提示