【Python技能树共建】python selectolax 模块

【Python技能树共建】python selectolax 模块

Python selectolax 模块是什么

在 Python 爬虫中 selectolax 模块用于解析网页源码，而且效率非常快。

开源地址为：selectolax

模块安装使用下述命令

pip install selectolax

怎么用

上手案例

from selectolax.parser import HTMLParser html = """ 梦想橡皮擦

""" tree = HTMLParser(html) ret = tree.css_first('h1#title').text() print(ret)

导入模块 parser 中的 HTMLParser 类，就可以对网页源码进行格式化操作，然后执行 css_first() 方法，提取网页内容。其语法格式类似于 cssselect 模块，即 CSS 选择器。

其中 .text() 方法为获取文本内容，.attributes 可以获取标签属性。

如果想要获取网页中多个元素，可以使用下述代码。

rets = [node.text() for node in tree.css('.post')] print(rets)

更多的方法和属性

一些简单的属性如下所示。

from selectolax.parser import HTMLParser import requests html = requests.get('https://example.com/').text parser = HTMLParser(html) print(parser.head) # 头标签信息 print(parser.root) # 根标签信息

还可以移除指定标签，例如下述代码，用到的方法是 strip_tags()。

from selectolax.parser import HTMLParser tree = HTMLParser('

') tags = ['head', 'style', 'script', 'xmp', 'iframe', 'noembed', 'noframes'] tree.strip_tags(tags) print(tree.html) # ''

标签对象 Node

在上文中使用 css_first() 方法得到的是 Node 对象，其常用的属性有 attributes，获取标签属性，child 获取标签子节点。

css() 在当前标签继续查找，html 属性用于获取当前标签的 HTML 代码，其余内容，阅读文档即可理解，不在赘述。

扩展场景

Selectolax 支持两个解析引擎：Modern 和 Lexbor。默认情况下使用 Modern，二者大多数功能相同，差异如下所示。

Lexbor 后端处于测试阶段，缺少一些功能。

from selectolax.lexbor import LexborHTMLParser html = """

""" parser = LexborHTMLParser(html) ret = parser.root.css_first("#updated").text() print(ret)

参考资料：官方手册

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。