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 = '''



    
我的文章

    
我的网站

    

        
         从零学Python 
        
        大纲
        

            更多详情
        

        Python包
        Python小白
        Python进阶
    

    

        
本站总访问量159323次

    

    
Copyright © 2019 - 2021 程序员zhenguo



'''

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：

1. 定位出所有div标签，写法//div

# 定位
divs1 = html.xpath('//div')

1. 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]')

1. 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"]')

1. 定位出含有属性名的所有div标签，写法为：//div[@*]

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

1. 定位出不含有属性名的所有div标签，写法为：not(@*)

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

1. 定位出第一个div标签，写法为：//div[1]

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

1. 定位出最后一个div标签，写法为：//div[last()]

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

1. 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]')

1. 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)

当前名称：爬虫必学包lxml，搞个有趣的
文章位置：http://www.mswzjz.cn/qtweb/news5/53455.html

攀枝花网站建设、攀枝花网站运维推广公司-贝锐智能，是专注品牌与效果的网络营销公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 贝锐智能