from:https://www.cnblogs.com/ospider/p/5911339.htmlhtml
最近要作下微信爬虫，以前写个小东西都是直接用正则提取数据就算了，若是须要更稳定的提取数据，仍是使用 xpath 定位元素比较可靠。周末没事，从爬虫的角度研究了一下 python xml 相关的库。python
Python 标准库中自带了 xml 模块，可是性能不够好，并且缺少一些人性化的 API，相比之下，第三方库 lxml 是用 Cython 实现的，并且增长了不少实用的功能，可谓爬虫处理网页数据的一件利器。lxml 大部分功能都存在 lxml.etree中，因此下文都假定已经执行了django
from lxml import etree
解析 XML 字符串
网页下载下来之后是个字符串的形式，使用etree.fromstring(str)构造一个 etree._ElementTree对象，使用 etree.tostring(t)返回一个字符串swift
>>> xml_string = '<root><foo id="foo-id" class="foo zoo">Foo</foo><bar>中文</bar><baz></baz></root>' >>> root = etree.fromstring(xml_string.encode('utf-8')) # 最好传 byte string >>> etree.tostring(root) # 默认返回的是 byte string b'<root>root content<foo id="foo-id" class="foo zoo">Foo</foo><bar>Bar</bar><baz/></root>' >>> print(etree.tostring(root, pretty_print=True).decode('utf-8')) #decode 一下变成 unicode <root> <foo id="foo-id" class="foo zoo">Foo</foo> <bar>Bar</bar> <baz/> # 注意这里没有子节点的 baz 节点被变成了自闭和的标签 </root> >>> type(root) <class 'lxml.etree._Element'> # 能够看出 tostring 返回的是一个_Element类型的对象，也就是整个 xml 树的根节点
Element结构
etree._Element 是一个设计很精妙的结构，能够把他当作一个对象访问当前节点自身的文本节点，能够把他当作一个数组，元素就是他的子节点，能够把它当作一个字典，从而遍历他的属性数组
>>> root.text 'root content' # 注意只是 root 自身的文本，并不包含子节点的文本 >>> root.tag 'root' >>> root[0].tag 'foo' >>> foo = root[0] >>> for attr, val in foo.items(): ... print(attr, val) ... id foo-id class foo zoo >>> foo.get('id') 'foo-id' >>> foo.attrib {'class': 'foo zoo', 'id': 'foo-id'}
Element 和 ElementTree
xml 是一个树形结构，lxml 使用etree._Element和 etree._ElementTree来分别表明树中的节点和树，etree.ELement和 etree.ElementTree 分别是两个工厂函数ruby
>>> t = root.getroottree() # 得到一个节点对应的树 <lxml.etree._ElementTree object at 0x107295308> >>> t.getroot() == root # 使用getroot 返回一个树的根节点 True >>> foo_tree = etree.ElementTree(root) # 也能够从一个节点构造一个树，那么这个节点就是这棵树的根 >>> foo_tree.getroot().tag 'foo' >>> foo.getroottree().tag 'root' #注意，foo 这个节点的 roottree 仍然是以 root 节点为根的
其余方法如getparent()/getprevious()/getnext()都是显而易见的，不赘述了微信
XPath
XPath 实在太强大了，在定位元素方面绝对是秒杀 CSS 选择器。在 lxml 中，_Element和 _ElementTree 分别具备xpath 函数，二者的区别在于：ide
若是是相对路径，_Element.xpath是以当前节点为参考的，_ElementTree.xpath以根为参考
若是是绝对路径，_ElementTree.xpath是以当前节点的getroottree的根节点为参考的函数
还有，若是 xpaht 表达式应该返回元素的话，老是返回一个数组，即便只有一个元素性能
>>> foo.xpath('/root')[0].tag 'root' >>> foo.xpath('.')[0].tag 'foo' >>> >>> t.xpath('/root')[0].tag 'root' >>> t.xpath('.')[0].tag 'root' >>>
lxml 还支持几个函数 find/findall，他们使用 ElementPath，是一种相似 xpath 的语言，感受非常奇怪，lxml 的文档描述他是 xpath 的一个子集，暂时不看了。
HTML
最后再来讨论一下 HTML，以上的讨论都是基于 xml 的，HTML 和 xml 仍是有些许不一样的，lxml 也有一个专门的 html 模块。
好比咱们解析 html 的话最好使用html.fromstring()，返回的是lxml.html.HtmlElement，具备上述的全部能力，同时可以更好地兼容 html。
>>> etree.fromstring('<meta charset=utf-8 />') # 好比这句就会报错，由于属性值没有用引号括起来 Traceback (most recent call last): File "<stdin>", line 1, in <module> File "src/lxml/lxml.etree.pyx", line 3213, in lxml.etree.fromstring (src/lxml/lxml.etree.c:77737) File "src/lxml/parser.pxi", line 1830, in lxml.etree._parseMemoryDocument (src/lxml/lxml.etree.c:116674) File "src/lxml/parser.pxi", line 1711, in lxml.etree._parseDoc (src/lxml/lxml.etree.c:115220) File "src/lxml/parser.pxi", line 1051, in lxml.etree._BaseParser._parseUnicodeDoc (src/lxml/lxml.etree.c:109345) File "src/lxml/parser.pxi", line 584, in lxml.etree._ParserContext._handleParseResultDoc (src/lxml/lxml.etree.c:103584) File "src/lxml/parser.pxi", line 694, in lxml.etree._handleParseResult (src/lxml/lxml.etree.c:105238) File "src/lxml/parser.pxi", line 624, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:104147) lxml.etree.XMLSyntaxError: AttValue: " or ' expected, line 1, column 15 >>> html.fromstring('<meta charset=utf-8>') # 没有问题
html.HtmlElement同时多了几项功能
>>> doc = html.fromstring('<div><p>lorem <span>poium</span></p></div>') >>> doc.text_content() 'lorem poium'