lxml

XML

序列化

生成 XML 字符串。在 Python3 中需要指定 encoding=str ，否则生成 bytes 对象

etree.tostring(el, encoding=str)

如果指定了 xml_declaration=True 则不能使用 encoding=str 。一个变通的方法是

etree.tostring(root, encoding='UTF-8', xml_declaration=True).decode('UTF-8')

method 默认为 xml ，指定为 html 时将生成HTML代码，指定为 text 时将只有文本（与 xpath('string()') 相同。

文本

获得节点内的文本（相当于jQuery的 text() ）

el.text_content()
el.xpath('string()')

XPath 命名空间

指定命名空间。可同时指定多个命名空间。

doc.xpath('//em:name', namespaces={'em':'http://www.mozilla.org/2004/em-rdf#'})

参见官方文档。

注意：如果XPath表达式是绝对路径，则在文档中查找，而不是在当前对象的子节点中查找。如果是相对路径则相对于当前对象进行查找。

HTML

lxml 也可以处理 HTML，使用 lxml.html 模块。例如：

html = lxml.html.fromstring(open('a.html').read())

也可以使用 parse() 方法读入HTML文档，但它并不返回 html 对象，需要调用其 getroot() 方法。

处理其 html 对象，除了可以使用XPath外，也可以使用基于CSS的 cssselect() 方法。详见lxml.cssselect。

序列化时使用 lxml.html.tostring 。和 lxml.etree.tostring 类似，但有些标签默认是不关闭的，使用 method='xml' 来输出为XHTML。

不支持的 CSS

• 使用 \ 转义特殊字符，如 #a\ b 、 .a\.b （2012年6月29日）

问题处理

HTML DOCTYPE

HTML文件在序列化时不会自动添加DOCTYPE。可以手动添加：

f.write(doc.getroottree().docinfo.doctype + '\n')

DLL import error

Windows 下可能出现此问题。或者在命令行下能导入，但在 GVIM 中出现该问题。下载安装这里的版本即可解决。或者使用 Resource Hacker 删除内嵌的 manifest 资源。

BUGS

• lxml.html.parse 和 lxml.etree.parse 处理 URL 时，在收到 HTTP 响应头前会阻塞整个解释器（不释放 GIL）（2011年11月30日，lxml 2.3.1，libxml2 2.7.8）
• lxml.html.parse 从 file-like 对象读取时会当作 latin1 编码，unicode 对象会被先编码成 UTF-8； lxml.etree.parse 正常（2011年11月30日，lxml 2.3.1，libxml2 2.7.8）

外部链接

• lxml 主页
• Dive Into Python 3 中关于 lxml 的教程

• 教程
  • IBM: 使用由 Python 编写的 lxml 实现高性能 XML 解析