爬虫必学包 lxml，搞个有趣的-爬虫用的包

你好，我是zhenguo，今天搞点有趣的。

这篇文章讲什么？

我们爬取网页后，无非是先定位到html标签，然后取其文本。定位标签，最常用的一个包lxml。

在这篇文章，我会使用一个精简后的html页面，演示如何通过lxml定位并提取出想要的文本，包括：

html是什么？
什么是lxml?
lxml例子，包括如何定位？如何取内容？如何获取属性值？

html是什么？

html，全称HyperText Markup Language，是超文本标记结构。

html组织结构对应数据结构的树模型。

因为是树，所以只有一个根节点，即一对<html></html>标签。一对<>和名称组合称为标签，例如，<html>被称为开始标签，</html>被称为结束标签。

开始标签中可以添加附加信息，风格为属性名=属性值。

如下所示，选中的<div>就是一个开始标签，它有属性id，值为content，还有属性style等：

什么是lxml?

lxml官档截图如下，按照官档的说法，lxml是Python语言中，处理XML和HTML，功能最丰富、最易于使用的库。

不难猜想，lxml中一定实现了查询树中某个节点功能，并且应该性能极好。

lxml例子

废话不多说，举例演示lxml超简便的定位能力。

导入lxml中的etree：

from lxml import etree

my_page是html风格的字符串，内容如下所示：

my_page = '''
<html>
<title>程序员zhenguo</title>
<body>
    <div>我的文章</div>
    <h1>我的网站</h1>
    <div id="photos">
        <img src="pic1.png" />
        <span id="pic1"> 从零学Python </span>
        <img src="pic2.png" />
        <span id="pic2">大纲</span>
        <p>
            <a href="http://www.zglg.work">更多详情</a>
        </p>
        <a href="http://www.zglg.work/python-packages/">Python包</a>
        <a href="http://www.zglg.work/python-intro/">Python小白</a>
        <a href="http://www.zglg.work/python-level/">Python进阶</a>
    </div>
    <div id="explain">
        <p class="md-nav__item">本站总访问量159323次</p>
    </div>
    <div class="foot">Copyright © 2019 - 2021 程序员zhenguo</div>
</body>
</html>
'''

使用etree.fromstring转化为可以使用xpath的对象。

html = etree.fromstring(my_page)

定位

接下来，就能方便的定位：

定位出所有div标签，写法//div

# 定位
divs1 = html.xpath('//div')

定位出含有属性名为id的所有标签，写法为：//div[@id]

divs2 = html.xpath('//div[@id]')

定位出含有属性名class等于foot的所有div标签，写法为：//div[@class="foot"]

divs3 = html.xpath('//div[@class="foot"]')

定位出含有属性名的所有div标签，写法为：//div[@*]

divs4 = html.xpath('//div[@*]')

定位出不含有属性名的所有div标签，写法为：not(@*)

divs5 = html.xpath('//div[not(@*)]')

定位出第一个div标签，写法为：//div[1]

divs6 = html.xpath('//div[1]')

定位出最后一个div标签，写法为：//div[last()]

divs7 = html.xpath('//div[last()]')

定位出前两个div标签，写法为//div[position()<3]，注意从1开始：

divs8 = html.xpath('//div[position()<3]')

定位出所有div标签和h1标签，写法为：//div|//h1，使用|表达：

divs9 = html.xpath('//div|//h1')

取内容

取出一对标签中的内容，使用text()方法。

如下所示，取出属性名为foot的标签div中的text：

text1 = html.xpath('//div[@class="foot"]/text()')

取属性

除了定位标签，获取标签间的内容外，也会需要提取属性对应值。

获取标签a下所有属性名为href的对应属性值，写法为：//a/@href

value1 = html.xpath('//a/@href')

得到结果：

['http://www.zglg.work', 'http://www.zglg.work/python-packages/', 'http://www.zglg.work/python-intro/', 'http://www.zglg.work/python-level/']

还可以做一些特殊的定制操作，如使用findall方法，定位到div标签下带有a的标签。

使用text获取内容，a.attrib.get获取对应属性值。

divs = html.xpath('//div[position()<3]')
for div in divs:
    ass = div.findall('a')  # div/a
    for a in ass:
        if a is not None:
            # print(dir(a))
            print(a.text, a.attrib.get('href'))

最后注意一个区别，a_href等于第二个div标签下的子标签a的href属性值；

b_href等于第二个div标签下的子或所有后代标签下a的href属性值：

a_href = html.xpath('//div[position()=2]/a/@href')
print(a_href)
b_href = html.xpath('//div[position()=2]//a/@href')
print(b_href)