• python lxml教程


    目前有很多xml,html文档的parser,如标准库的xml.etree , beautifulsoup  ,  还有lxml. 都用下来感觉lxml不错,速度也还行,就他了.

    围绕三个问题:

    • 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

    这些操作应该算是比较基础的,参考教程中文版,官网更详细一点,进阶xpath语法,要在以后操作xml文件和html文件用上.

    #!/usr/bin/python
    # coding=utf-8
    # __author__='dahu'
    #
    '''
    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。
    '''
    from lxml import etree
    
    # 1.创建element
    root = etree.Element('root')
    print root, root.tag
    
    # 2.添加子节点
    child1 = etree.SubElement(root, 'child1')
    child2 = etree.SubElement(root, 'child2')
    
    # 3.删除子节点
    # root.remove(child2)
    
    # 4.删除所有子节点
    # root.clear()
    
    # 5.以列表的方式操作子节点
    print(len(root))
    print root.index(child1)  # 索引号
    root.insert(0, etree.Element('child3'))  # 按位置插入
    root.append(etree.Element('child4'))  # 尾部添加
    
    # 6.获取父节点
    print(child1.getparent().tag)
    # print root[0].getparent().tag   #用列表获取子节点,再获取父节点
    '''以上都是节点操作'''
    
    # 7.创建属性
    # root.set('hello', 'dahu')   #set(属性名,属性值)
    # root.set('hi', 'qing')
    
    # 8.获取属性
    # print(root.get('hello'))    #get方法
    # print root.keys(),root.values(),root.items()    #参考字典的操作
    # print root.attrib           #直接拿到属性存放的字典,节点的attrib,就是该节点的属性
    '''以上是属性的操作'''
    
    # 9.text和tail属性
    # root.text = 'Hello, World!'
    # print root.text
    
    # 10.test,tail和text的结合
    html = etree.Element('html')
    html.text = 'html.text'
    body = etree.SubElement(html, 'body')
    body.text = 'wo ai ni'
    child = etree.SubElement(body, 'child')
    child.text='child.text' #一般情况下,如果一个节点的text没有内容,就只有</>符号,如果有内容,才会<>,</>都有
    child.tail = 'tails'  # tail是在标签后面追加文本
    print(etree.tostring(html))
    # print(etree.tostring(html, method='text'))  # 只输出text和tail这种文本文档,输出的内容连在一起,不实用
    
    #11.Xpath方式
    # print(html.xpath('string()'))   #这个和上面的方法一样,只返回文本的text和tail
    print(html.xpath('//text()'))   #这个比较好,按各个文本值存放在列表里面
    tt=html.xpath('//text()')
    print tt[0].getparent().tag     #这个可以,首先我可以找到存放每个节点的text的列表,然后我再根据text找相应的节点
    # for i in tt:
    #     print i,i.getparent().tag,'	',
    
    #12.判断文本类型
    print tt[0].is_text,tt[-1].is_tail  #判断是普通text文本,还是tail文本
    '''以上都是文本的操作'''
    
    #13.字符串解析,fromstring方式
    xml_data = '<html>html.text<body>wo ai ni<child>child.text</child>tails</body></html>'
    root1=etree.fromstring(xml_data)    #fromstring,字面意思,直接来源字符串
    # print root1.tag
    # print etree.tostring(root1)
    
    #14.xml方式
    root2 = etree.XML(xml_data)     #和fromstring基本一样,
    print etree.tostring(root2)
    
    #15.文件类型解析
    tree =etree.parse('text')   #文件解析成元素树
    root3 = tree.getroot()      #获取元素树的根节点
    print etree.tostring(root3,pretty_print=True)
    
    parser= etree.XMLParser(remove_blank_text=True) #去除xml文件里的空行
    root = etree.XML("<root>  <a/>   <b>  </b>     </root>",parser)
    print etree.tostring(root)
    
    #16.html方式
    xml_data1='<root>data</root>'
    root4 = etree.HTML(xml_data1)
    print(etree.tostring(root4))#HTML方法,如果没有<html>和<body>标签,会自动补上
    #注意,如果是需要补全的html格式:这样处理哦
    with open("quotes-1.html",'r')as f:
        a=H.document_fromstring(f.read().decode("utf-8"))
    
    for i in  a.xpath('//div[@class="quote"]/span[@class="text"]/text()'):
        print i
    
    #17.输出内容,输出xml格式
    print etree.tostring(root)
    print(etree.tostring(root, xml_declaration=True,pretty_print=True,encoding='utf-8'))#指定xml声明和编码
    '''以上是文件IO操作'''
    
    #18.findall方法
    root = etree.XML("<root><a x='123'>aText<b/><c/><b/></a></root>")
    print(root.findall('a')[0].text)#findall操作返回列表
    print(root.find('.//a').text)   #find操作就相当与找到了这个元素节点,返回匹配到的第一个元素
    print(root.find('a').text)
    print [ b.text for b in root.findall('.//a') ]    #配合列表解析,相当帅气!
    print(root.findall('.//a[@x]')[0].tag)  #根据属性查询
    '''以上是搜索和定位操作'''
    print(etree.iselement(root))
    print root[0] is root[1].getprevious()  #子节点之间的顺序
    print root[1] is root[0].getnext()
    '''其他技能'''
    # 遍历元素数
    root = etree.Element("root")
    etree.SubElement(root, "child").text = "Child 1"
    etree.SubElement(root, "child").text = "Child 2"
    etree.SubElement(root, "another").text = "Child 3"
    etree.SubElement(root[0], "childson").text = "son 1"
    # for i in root.iter():   #深度遍历
    # for i in root.iter('child'):    #只迭代目标值
    #     print i.tag,i.text
    # print etree.tostring(root,pretty_print=True)


  • 相关阅读:
    nignx重启启动关闭
    Tomcat日志配置
    误删除了mssql的表。 使用命令:drop table xxxx
    使用redis-cli定时执行指定命令
    在crontab中动态写日志
    循环日期的shell
    CountDownLatch、CyclicBarrier、Semaphore 区别
    log4j 知识点
    slf4j-api、slf4j-log4j12、log4j 之间是什么关系?
    HTTP协议中的长连接、短连接、长轮询、短轮询
  • 原文地址:https://www.cnblogs.com/dahu-daqing/p/6749666.html
Copyright © 2020-2023  润新知