Python etree：快速解析XML和HTML的利器

介紹

Python etree是Python語言中的一個快速解析XML和HTML的利器。它底層使用libxml2和libxslt進行解析和轉換的，因此速度非常快。而且Python etree提供了非常簡單易用的API，使得開發者可以輕鬆地解析XML和HTML文檔，獲取其中的數據。本文將對Python etree進行全方位的介紹。

背景

在Web開發中，我們常常需要從HTML或XML文檔中提取數據。例如，我們需要從HTML頁面中獲取某個網站的所有鏈接列表，或者需要從XML文檔中讀取數據並將其存儲到數據庫中。實現這些需求的一個常見做法是使用Python etree。

獲取XML和HTML文檔

在使用Python etree之前，我們需要先獲取XML或HTML文檔。獲取文檔的方法可以有多種，例如從一個URL中下載文檔，或者從一個文件中讀取文檔。以下是一個從URL中下載XML文檔的示例代碼：

import requests

# 下載XML文件
r = requests.get('http://example.com/sample.xml')
xml_content = r.content

以下是一個從本地文件中讀取HTML文檔的示例代碼：

# 讀取HTML文件
with open('example.html', 'rb') as f:
    html_content = f.read()

解析XML和HTML文檔

使用Python etree解析XML和HTML文檔非常簡單，只需要調用etree模塊中的parse()函數即可：

from lxml import etree

# 解析XML文檔
xml_tree = etree.parse(xml_content)

# 解析HTML文檔
html_tree = etree.HTML(html_content)

上述代碼中，我們使用etree.parse()函數解析了XML和HTML文檔。該函數返回一個樹形結構的對象，我們可以通過該對象來查找、遍歷和修改文檔中的元素。

遍歷XML和HTML元素

在Python etree中，遍歷XML和HTML元素是非常簡單的。我們可以使用findall()函數查找與某個XPath表達式匹配的所有元素，並使用iter()函數遍歷所有元素。以下是一個遍歷XML元素的示例代碼：

# 獲取文檔的根元素
root = xml_tree.getroot()

# 查找所有元素
for book in root.findall('.//book'):
    # 輸出元素的屬性和子元素
    print(book.attrib)
    for child in book:
        print(child.tag, child.text)

以下是一個遍歷HTML元素的示例代碼：

# 獲取文檔的根元素
root = html_tree.getroot()

# 遍歷所有元素
for a in root.iter('a'):
    # 輸出元素的href屬性和文本內容
    print(a.attrib.get('href'), a.text)

XPath表達式

在Python etree中，XPath表達式是非常重要的概念，因為我們使用XPath表達式來查找和選取元素。XPath表達式可以表示某個元素的路徑、屬性和文本等。以下是幾個XPath表達式的示例：

• //book 表示查找所有元素。
• /bookstore/book 表示查找根元素下的所有元素。
• //book[@genre=’fantasy’] 表示查找genre屬性為fantasy的所有元素。
• //book[@price>35] 表示查找price屬性大於35的所有元素。
• //book[author=’Neal Stephenson’]/title 表示查找author為Neal Stephenson的元素的title子元素。

獲取元素的屬性和文本

在Python etree中，我們可以使用element.attrib獲取元素的所有屬性，並使用element.text獲取元素的文本內容。以下是一個獲取元素屬性和文本的示例代碼：

# 獲取元素的title屬性和文本內容
title_element = book.find('title')
title_attrib = title_element.attrib.get('lang')
title_text = title_element.text

修改元素的屬性和文本

在Python etree中，我們可以使用element.set()函數來改變元素的某個屬性的值，並使用element.text屬性來改變元素的文本內容。以下是一個修改元素屬性和文本的示例代碼：

# 修改元素的title屬性和文本內容
title_element.set('lang', 'en')
title_element.text = 'Snow Crash'

序列化XML和HTML文檔

在Python etree中，我們可以使用etree.tostring()函數將XML或HTML文檔序列化為字符串，並使用etree.ElementTree()函數將字符串反序列化為樹形結構的對象。以下是一個序列化XML和HTML文檔的示例代碼：

# 將XML樹形結構序列化為字符串
xml_string = etree.tostring(xml_tree, encoding='utf-8', xml_declaration=True)

# 將HTML樹形結構序列化為字符串
html_string = etree.tostring(html_tree, encoding='utf-8', method='html')

以下是一個將序列化的字符串反序列化為樹形結構的示例代碼：

# 將XML字符串反序列化為樹形結構
xml_tree = etree.ElementTree(etree.fromstring(xml_string))

# 將HTML字符串反序列化為樹形結構
html_tree = etree.ElementTree(etree.fromstring(html_string))

總結

Python etree是Python語言中的一個快速解析XML和HTML的利器。Python etree提供了非常簡單易用的API，使得開發者可以輕鬆地解析XML和HTML文檔，獲取其中的數據。在本文中，我們介紹了Python etree的基本用法，包括獲取XML和HTML文檔、解析XML和HTML文檔、遍歷XML和HTML元素、XPath表達式、獲取元素的屬性和文本、修改元素的屬性和文本、序列化XML和HTML文檔等。希望本文對您學習Python etree有所幫助。