Python lxml教程

lxml是Python处理xml文档的一个库，速度快，易编程，可以“make life easier”。这篇文章是lxml的快速上手教程。

XML在lxml中的表示

在DOM中，文档是以节点（node）的形式组织的。某节点又有子节点，表示Elements，Attributes，Text等。

例如，下面这个DOM可以用如图所示的节点组织。

在lxml中，只有Element，Element有子Element，构成一棵树。Element有一下属性：

• .tag – element的名字，比如“p”或“em”等
• .text – 元素的文本内容，从开头到第一个子节点。如果从开头到一个子节点没有内容，那么就是None。比如p的text是”To find out”
• .tail – 元素后面的内容，到下一个元素为止。比如em的tail是”, see the”
• .attrib – 元素的属性。“<h2 class="arch" id="N15">”的.attrib就是 “{"class": "arch", "id": "N15"}”
• （子元素列表） – Element的很多行为都和list类似，可以用来索引。比如Element[0]就是表示Element的第1个子元素。可以使用len()查看这个Element一共有多少个子元素

上面的DOM使用lxml的Element表示：

注意.tail，比如，”,see the \n”本来在DOM中是p的节点，但是在lxml里成为了em的.tail属性。

操作Element

在lxml中，一个Element实体的表现和Python的list很相似，可以使用len()获得这个Element的子元素的数量，可以使用下标操作子元素，可以使用replace(), delete()等方法。假设E是一个Element实体，那么可以进行以下操作。

• 通过E[i]获得第i+1个元素
• 通过E[start:end]获得从start到end之间的元素
• 可以通过下标替换一个元素：E[i] = c
• 删除一个元素：del E[i]
• 通过循环迭代所有元素：
• Python

  for kid in node: print kid.tag

  1 2	for kid in node:     print kid.tag

• 通过append()添加子元素
• 使用clear()将子元素清空，此外：
  • .attrib字典将清空
  • tail和text将设置为None

此外，Element还有一些其他的方法。

Element.find()

找到和path匹配的元素，如果有多个，返回第一个。可以查找子元素的子元素，”tag1/tag2/…/tagn“。

Element.findall()

找到所有匹配的元素，以列表的形式返回。

Element.findtext()

找出所有和path（path是Element的后代即可）匹配的元素中的文本。如果有多个，返回第一个。如果匹配path但是元素没有文本，返回”（default在这种情况下不会使用）。

Element.get()

获得一个attribute的值，如果没有，使用default。

Element.getchildren()

获得所有子元素（感觉这方法和元素本身一样啊……）

Element.getiterator()

得到元素的迭代器。如果tag省略，元素本身会作为第一个元素。

比如遍历下面这个树。

Element.insert()

插入一个新的子元素。

Element.items()

就和字典的items()一样，会返回一个tuple的list。

Element.iterancestors()

和Element.getiterator()类似，不过是从当前节点开始，往上遍历祖先，直到遍历到根目录。

Element.keys()

返回所有attributes的key。

Element.xpath()

非常常用的一个方法，关于xpath有太多要说的了，以后再写吧……

参考资料

1. Python XML processing with lxml

---