【Python技能树共建】python selectolax 模块

今天药忘吃喽~ 2023-09-29 13:48 32阅读 0赞

### 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 = """
    <h1 id="title" data-updated="20201101">梦想橡皮擦</h1>
    <div class="post">Lorem Ipsum is simply dummy text of the printing and typesetting industry. </div>
    <div class="post">Lorem ipsum dolor sit amet, consectetur adipiscing elit.</div>
    """
    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://www.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('<html><head></head><body><script></script><div>Hello world!</div></body></html>')
    tags = ['head', 'style', 'script', 'xmp', 'iframe', 'noembed', 'noframes']
    tree.strip_tags(tags)
    print(tree.html)
    # '<html><body><div>Hello world!</div></body></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 = """
    <title>梦想橡皮擦</title>
    <div id="updated">爬虫爱好者</div>
    """
    
    parser = LexborHTMLParser(html)
    ret = parser.root.css_first("#updated").text()
    print(ret)

参考资料：[官方手册][Link 1]

[selectolax]: https://github.com/rushter/selectolax
[Link 1]: https://selectolax.readthedocs.io/en/latest/parser.html