Element结构
<tag attrib >text</tag>tail eg: <span width="200px">标签内的文本</span>标签后的文本
lxml函数接口
lxml模块常用体系结构：
lxml.etree class XMLParser XMLPullParser HTMLParser HTMLPullParser XPath function Comment(text=None) Element(_tag, attrib=None, nsmap=None, **_extra) ElementTree(element=None, file=None, parser=None) # 解析字符串 HTML(text, parser=None, base_url=None) XML(text, parser=None, base_url=None) fromstring(text, parser=None, base_url=None) parse(source, parser=None, base_url=None) # 序列化 tostring(element_or_tree, encoding=None, method="xml", xml_declaration=None, pretty_print=False, with_tail=True, standalone=None, doctype=None, exclusive=False, inclusive_ns_prefixes=None, with_comments=True, strip_text=False, ) tounicode(element_or_tree, method="xml", pretty_print=False, with_tail=True, doctype=None) # 默认解析器lxml.etree.XMLParser get_default_parser() set_default_parser(parser=None) # 修剪 strip_attributes(tree_or_element, *attribute_names) strip_elements(tree_or_element, with_tail=True, *tag_names) strip_tags(tree_or_element, *tag_names) lxml.etree._Element https://lxml.de/api/lxml.etree._Element-class.html addnext(self, element) getnext(self) addprevious(self, element) getprevious(self) append(self, element) insert(self, index, element) clear(self, keep_tail=False) remove(self, element) replace(self, old_element, new_element) extend(self, elements) find(self, path, namespaces=None) findall(self, path, namespaces=None) findtext(self, path, default=None, namespaces=None) getchildren(self) getparent(self) getroottree(self) index(self, child, start=None, stop=None) makeelement(self, _tag, attrib=None, nsmap=None, **_extra) # 属性操作 items(self) keys(self) get(self, key, default=None) set(self, key, value) values(self) # 选择器 cssselect(...) xpath(self, _path, namespaces=None, extensions=None, smart_strings=True, **_variables) # 属性 attrib get(), set(), keys(), values() and items() base tag tail text lxml.etree.ElementTree __init__(self, element=None, file=None) find(self, path, namespaces=None) findall(self, path, namespaces=None) findtext(self, path, default=None, namespaces=None) getiterator(self, tag=None) getroot(self) iter(self, tag=None) iterfind(self, path, namespaces=None) source code parse(self, source, parser=None) source code write(self, file_or_filename, encoding=None, xml_declaration=None, default_namespace=None, method=None) source code write_c14n(self, file) lxml.http https://lxml.de/api/lxml.html-module.html class HTMLParser HtmlComment HtmlElement function document_fromstring(html, parser=None, ensure_head_body=False, **kw) source code fragment_fromstring(html, create_parent=False, base_url=None, parser=None, **kw) Element(*args, **kw) parse(filename_or_url, parser=None, base_url=None, **kw) open_in_browser(doc, encoding=None) fromstring(html, base_url=None, parser=None, **kw) tostring(doc, pretty_print=False, include_meta_content_type=False, encoding=None, method='html', with_tail=True, doctype=None) lxml.html.html5parser: class HTMLParser function fromstring(html, guess_charset=None, parser=None) class HtmlElement(_Element) cssselect(self, expr, translator='html') set(self, key, value=None)
示例代码
平时用的多的是html文档处理，所以下面具体看下html相关内容
1、element <-> string 之间转换
from lxml import html text = '<div><span><p>内容</p></span></div>' # 文档方式 会补全body等标签 root1 = html.document_fromstring(text) print(html.tostring(root1, encoding="unicode")) # <html><body><div><span><p>内容</p></span></div></body></html> # 片段方式 root2 = html.fragment_fromstring(text) print(html.tostring(root2, encoding="unicode")) # <div><span><p>内容</p></span></div>
另一个解析示例
from lxml.etree import ParserError from lxml import html, etree content = '<p>你好</p><p>世界</p><p></p>' # 默认只能解析单个标签元素，如果是多个就自动添加一个包裹元素 try: tree = html.fragment_fromstring(html=content) except ParserError: tree = html.fragment_fromstring(html=content, create_parent=True) # 第三个p标签变成了自闭和标签 print(html.tostring(tree, method="xml", encoding='unicode')) # <div><p>你好</p><p>世界</p><p/></div> print(html.tostring(tree, method="html", encoding='unicode')) # <div><p>你好</p><p>世界</p><p></p></div> # 只提取其中文本 <class 'str'> print(html.tostring(tree, method="text", encoding='unicode')) # 你好世界 # 等价于（类型不一样），lxml.etree._ElementUnicodeResult继承自unicode print(tree.xpath('string(.)')) # 你好世界
2、助手函数
# 为了方便查看结果，统一使用输出函数 def log_html(element): print(html.tostring(element, encoding='unicode', pretty_print=True)) # 在浏览器中打开（调试用） html.open_in_browser(root)
3、创建元素
# 创建元素 添加属性 root = html.Element('div', {'width': '23px'}) root.text = "根元素" root.tail = "元素后面的文本" root.base = "www.baidu.com" log_html(root) # <div width="23px" xml:base="www.baidu.com">根元素</div>元素后面的文本 # 获取属性 attrib是一个字典 print(root.attrib) # {'width': '23px', '{http://www.w3.org/XML/1998/namespace}base': 'www.baidu.com'} print(root.text) # 元素文本 print(root.tag) # div print(root.tail) # 元素后面的文本 print(root.base) # None # 元素属性 print(root.keys()) # ['width'] print(root.values()) # ['23px'] print(root.items()) # [('width', '23px')] root.set('height', '300px') print(root.get('height')) # 300px root.attrib.pop('height')
4、修改元素增加、删除、替换
# 创建元素 root = html.Element('div') # 添加子节点 p = html.Element('p') # 追加一个元素 root.append(p) # 追加多个元素 root.extend([html.Element('span1'), html.Element('span2')]) # 插入元素 root.insert(0, html.Element('span3')) root.insert(2, html.Element('span4')) # log_html(root) """ <div> <span3></span3> <p></p> <span4></span4> <span1></span1> <span2></span2> </div> """ # 选择并移除节点 root.remove(root.xpath("//span1")[0]) root.remove(root.cssselect("span2")[0]) root.remove(root.xpath("//span3")[0]) # 替换节点 root.replace(root.xpath("//span4")[0], html.Element('span5')) # 添加兄弟节点 p.addprevious(html.Element('span', text='前面')) p.addnext(html.Element('span', text='后面')) log_html(root) """ <div> <span text="前面"></span> <p></p> <span text="后面"></span> <span5></span5> </div> """ # 清除所有内容 root.clear() log_html(root) # <div></div> # 添加注释 tag = html.HtmlComment("注释") root.append() log_html(root) # <div><!--注释--></div> print(tag.text) # 注释
5、元素查找
# 创建元素 text = '<div><p>p中的内容<span>span1的内容</span><span width="200px">span2的内容</span></p></div>' root = html.fragment_fromstring(text) # css 或 xpath查询元素 print(root.cssselect('span')) # [<Element span>, <Element span>] print(root.xpath('//span')) # [<Element span >, <Element span >] # 查找子元素 print(root.find('.//span')) # <Element span at> print(root.findall('.//span')) # [<Element span at>, <Element span at>] print(root.findtext('.//span')) # span1的内容 # 子元素 print(root.getchildren()) # [<Element p at >] # 父元素 span = root.xpath('//span[@width="200px"]')[0] print(span.getparent()) # <Element p at> # 兄弟元素 print(span.getnext()) # None print(span.getprevious().text) # span1的内容 # 获取根元素 print(log_html(span.getroottree())) """ <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"> <html><body><div><p>p中的内容<span>span1的内容</span> <span width="200px">span2的内容</span></p></div></body></html> """ # 查找子元素位置 print(span.getparent().index(span)) # 1
6、etree提供的功能函数
from lxml import html, etree # 创建元素 text = '<div><p width="200px">p中的内容<span width="200px">span的内容</span></p>p后的内容</div>' root = html.fragment_fromstring(text) # 移除属性 etree.strip_attributes(root, ['width']) log_html(root) # <div><p>p中的内容<span>span的内容</span>span后的内容</p></div> # 元素和子元素 # etree.strip_elements(root, ['p'], with_tail=True) # log_html(root) # <div></div> # 移除元素标签，保留子元素 etree.strip_tags(root, ['p']) log_html(root) # <div>p中的内容<span>span的内容</span>p后的内容</div>
参考
