lxml基于libxml2和libxslt，性能强，支持XPath与ElementTree API，可自动修复html，适用于网页抓取与数据提取。1. 安装：pip install lxml；2. 解析XML：etree.parse()读取文件，findall与find定位元素；3. 解析HTML：html.fromstring()处理不规范HTML，结合requests获取页面内容；4. 使用XPath提取数据，如//div、//a[@href]、//img/@src等；5. lxml与requests、XPath组合，构成高效解析方案。
python的lxml库是处理XML和HTML数据的强大工具，它基于c语言编写的libxml2和libxslt库，性能高、功能全，广泛用于网页抓取、数据提取和配置文件解析等场景。本文将介绍如何使用lxml高效解析HTML和XML文档。
安装lxml库
在使用前需要先安装lxml：
pip install lxml
安装完成后即可导入并使用。lxml支持XPath、ElementTree API，能自动修复不规范的HTML结构，特别适合解析真实世界中的网页内容。
解析XML文档
使用lxml解析XML非常简单，可通过etree.fromstring()或etree.parse()加载XML字符串或文件。
立即学习“Python免费学习笔记（深入）”；
示例XML内容（保存为data.xml）：
<?xml version="1.0"?> <books> <book id="1"> <title>Python入门</title> <author>张三</author> </book> <book id="2"> <title>数据分析实战</title> <author>李四</author> </book> </books>
解析代码：
from lxml import etree
tree = etree.parse(‘data.xml’)
root = tree.getroot()
for book in root.findall(‘book’):
title = book.find(‘title’).text
author = book.find(‘author’).text
book_id = book.get(‘id’)
print(f”ID: {book_id}, 标题: {title}, 作者: {author}”)
解析HTML文档
HTML通常结构不规范，lxml的html模块能自动修复标签，更适合处理网页内容。
from lxml import html
import requests
# 获取网页内容
response = requests.get(“https://example.com”)
doc = html.fromstring(response.content)
# 使用XPath提取标题
titles = doc.xpath(‘//h1/text()’)
links = doc.xpath(‘//a/@href’)
print(titles)
print(links)
上面代码通过requests获取页面，用html.fromstring()解析，并使用XPath快速定位元素。XPath语法灵活，支持按标签、属性、位置等多种方式筛选节点。
常用XPath技巧
XPath是lxml的核心查询语言，掌握基本语法可大幅提升解析效率。
- //div：选择所有div元素，无论层级
- //a[@href]：选择包含href属性的a标签
- //p[contains(text(), “Python”)]：选择文本包含“Python”的p标签
- //img/@src：提取所有图片的src地址
- //ul/li[1]：选择第一个li子元素
这些表达式结合lxml使用，可以精准提取所需数据。
基本上就这些。lxml配合requests和XPath，构成了Python中高效解析HTML/XML的标准组合。只要熟悉基本API和XPath语法，就能轻松应对大多数结构化数据提取任务。