Page 256 - 6734
P. 256
lxml – простий і швидкий парсинг XML і HTML
lxml 4.1.0 (http://lxml.de) – це Python-бібліотека для обробки
XML і HTML, яка є прив’язкою до C бібліотек libxml2 і libxslt.
Володіє повною підтримкою XML, є швидкою і зручною у
використанні, сумісна з ElementTree API. У прикладі розглядається
використання HTMLParser та xpath для отримання ключових слів
некоректного HTML документу з тегу meta. XPath (XML Path
Language) – це мова запитів до елементів XML документа.
from StringIO import StringIO
from lxml import etree
broken_html=r"""<html><head>
<meta content="Python, XML" name="keywords" />
<head>""" # некоректний документ HTML
parser=etree.HTMLParser()
tree=etree.parse(StringIO(broken_html), parser) #
парсинг
root=tree.getroot() # кореневий елемент (html)
es=root.findall('head/meta') # знайти усі теги meta
for e in es:
if 'name' in e.attrib and 'content' in e.attrib:
# якщо є такі атрибути
if e.attrib['name']=="keywords":
print e.attrib['content']
# або за допомогою мови запитів xpath:
es=tree.xpath("head/meta[@name='keywords']/@content")
es=tree.xpath("child::head/child::meta[attribute::nam
e='keywords']/attribute::content") # або повний
синтаксис xpath
print es[0]
Python, XML
Python, XML
255
