lxml学习笔记

问题1：有一个XML文件，如何解析
问题2：解析后，如果查找、定位某个标签
问题3：定位后如何操作标签，比如访问属性、文本内容等

from lxml import etree -> 导入模块，该库常用的XML处理功能都在lxml.etree中

requests + lxml解析小


from lxml import etree  
import requests  
  
page = 1  
url = 'http://www.jikexueyuan.com/course/?pageNum=' + str(page)  
html = requests.get(url)  
  
selector = etree.HTML(html.text)  
content_field = selector.xpath('//div[@class="lesson-list"]/ul/li')  
print(content_field)
复制代码

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。

1. 节点操作

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>
复制代码

获取节点名称
使用tag属性，获取节点的名称。


>>> print(root.tag)
root
复制代码

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>'
复制代码

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')
复制代码

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/>'
复制代码

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>'
复制代码

获取父节点
使用getparent方法可以获取父节点。


>>> print(child1.getparent().tag)
root
复制代码

属性操作


属性是以key-value的方式存储的，就像字典一样。
复制代码

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"/>'
复制代码

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'
复制代码

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
复制代码

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。
复制代码

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'
复制代码

2. XPath方式


# 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']
复制代码

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
复制代码

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>'
复制代码

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>"
复制代码

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。

这里介绍两个常用方法，可以满足大部分搜索、查询需求，它们的参数都是XPath语句： 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]'))
[]
复制代码

原文地址：

Python lxml教程-SKYue