Python爬蟲(chóng)解析網(wǎng)頁(yè)的4種方式 值得收藏
用Python寫爬蟲(chóng)工具在現(xiàn)在是一種司空見(jiàn)慣的事情，每個(gè)人都希望能夠?qū)懸欢纬绦蛉セヂ?lián)網(wǎng)上扒一點(diǎn)資料下來(lái)，用于數(shù)據(jù)分析或者干點(diǎn)別的事情。
我們知道，爬蟲(chóng)的原理無(wú)非是把目標(biāo)網(wǎng)址的內(nèi)容下載下來(lái)存儲(chǔ)到內(nèi)存中，這個(gè)時(shí)候它的內(nèi)容其實(shí)是一堆HTML，然后再對(duì)這些HTML內(nèi)容進(jìn)行解析，按照自己的想法提取出想要的數(shù)據(jù)，所以今天我們主要來(lái)講四種在Python中解析網(wǎng)頁(yè)HTML內(nèi)容的方法，各有千秋，適合在不同的場(chǎng)合下使用。
首先我們隨意找到一個(gè)網(wǎng)址，這時(shí)我腦子里閃過(guò)了豆瓣這個(gè)網(wǎng)站。嗯，畢竟是用Python構(gòu)建的網(wǎng)站，那就拿它來(lái)做示范吧。
我們找到了豆瓣的Python爬蟲(chóng)小組主頁(yè)，看起來(lái)長(zhǎng)成下面這樣。
讓我們用瀏覽器開(kāi)發(fā)者工具看看HTML代碼，定位到想要的內(nèi)容上，我們想要把討論組里的帖子標(biāo)題和鏈接都給扒出來(lái)。
通過(guò)分析，我們發(fā)現(xiàn)實(shí)際上我們想要的內(nèi)容在整個(gè)HTML代碼的 這個(gè)區(qū)域里，那我們只需要想辦法把這個(gè)區(qū)域內(nèi)的內(nèi)容拿出來(lái)就差不多了。
現(xiàn)在開(kāi)始寫代碼。
1: 正則表達(dá)式大法
正則表達(dá)式通常被用來(lái)檢索、替換那些符合某個(gè)模式的文本，所以我們可以利用這個(gè)原理來(lái)提取我們想要的信息。
參考以下代碼。
在代碼第6行和第7行，需要手動(dòng)指定一下header的內(nèi)容，裝作自己這個(gè)請(qǐng)求是瀏覽器請(qǐng)求，否則豆瓣會(huì)視為我們不是正常請(qǐng)求會(huì)返回HTTP 418錯(cuò)誤。
在第7行我們直接用requests這個(gè)庫(kù)的get方法進(jìn)行請(qǐng)求，獲取到內(nèi)容后需要進(jìn)行一下編碼格式轉(zhuǎn)換，同樣是因?yàn)槎拱甑捻?yè)面渲染機(jī)制的問(wèn)題，正常情況下，直接獲取requests content的內(nèi)容即可。
Python模擬瀏覽器發(fā)起請(qǐng)求并解析內(nèi)容代碼:
- url = 'https://www.douban.com/group/491607/'headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:71.0) Gecko/20100101 Firefox/71.0"}response = requests.get(url=url,headers=headers).content.decode('utf-8')
正則的好處是編寫麻煩，理解不容易，但是匹配效率很高，不過(guò)時(shí)至今日有太多現(xiàn)成的HTMl內(nèi)容解析庫(kù)之后，我個(gè)人不太建議再手動(dòng)用正則來(lái)對(duì)內(nèi)容進(jìn)行匹配了，費(fèi)時(shí)費(fèi)力。
主要解析代碼:
- re_div = r'<table\s+class=\"olt\">[\W|\w]+</table>'pattern = re.compile(re_div)content = re.findall(pattern, str(response))re_link = r'<a .*?>(.*?)</a>'mm = re.findall(re_link, str(content), re.S|re.M)urls=re.findall(r"<a.*?href=.*?<\/a>", str(content), re.I|re.S|re.M)
2: requests-html
這個(gè)庫(kù)其實(shí)是我個(gè)人最喜歡的庫(kù)，作則是編寫requests庫(kù)的網(wǎng)紅程序員 Kenneth Reitz，他在requests的基礎(chǔ)上加上了對(duì)html內(nèi)容的解析，就變成了requests-html這個(gè)庫(kù)了。
下面我們來(lái)看看范例：
我喜歡用requests-html來(lái)解析內(nèi)容的原因是因?yàn)樽髡咭罁?jù)幫我高度封裝過(guò)了，連請(qǐng)求返回內(nèi)容的編碼格式轉(zhuǎn)換也自動(dòng)做了，完全可以讓我的代碼邏輯簡(jiǎn)單直接，更專注于解析工作本身。
主要解析代碼:
- links = response.html.find('table.olt', first=True).find('a')
安裝途徑: pip install requests-html
3: BeautifulSoup
大名鼎鼎的 BeautifulSoup庫(kù)，出來(lái)有些年頭了，在Pyhton的HTML解析庫(kù)里屬于重量級(jí)的庫(kù)，其實(shí)我評(píng)價(jià)它的重量是指比較臃腫，大而全。
還是來(lái)先看看代碼。
- soup = BeautifulSoup(response, 'html.parser')links = soup.findAll("table", {"class": "olt"})[0].findAll('a')
BeautifulSoup解析內(nèi)容同樣需要將請(qǐng)求和解析分開(kāi)，從代碼清晰程度來(lái)講還將就，不過(guò)在做復(fù)雜的解析時(shí)代碼略顯繁瑣，總體來(lái)講可以用，看個(gè)人喜好吧。
安裝途徑: pip install beautifulsoup4
4: lxml的XPath
lxml這個(gè)庫(kù)同時(shí) 支持HTML和XML的解析，支持XPath解析方式，解析效率挺高，不過(guò)我們需要熟悉它的一些規(guī)則語(yǔ)法才能使用，例如下圖這些規(guī)則。
來(lái)看看如何用XPath解析內(nèi)容。
主要解析代碼:
- content = doc.xpath("//table[@class='olt']/tr/td/a")
如上圖，XPath的解析語(yǔ)法稍顯復(fù)雜，不過(guò)熟悉了語(yǔ)法的話也不失為一種優(yōu)秀的解析手段，因?yàn)椤?/p>
安裝途徑: pip install lxml
四種方式總結(jié)
正則表達(dá)式匹配不推薦，因?yàn)橐呀?jīng)有很多現(xiàn)成的庫(kù)可以直接用，不需要我們?nèi)ゴ罅慷x正則表達(dá)式，還沒(méi)法復(fù)用，在此僅作參考了解。
BeautifulSoup是基于DOM的方式，簡(jiǎn)單的說(shuō)就是會(huì)在解析時(shí)把整個(gè)網(wǎng)頁(yè)內(nèi)容加載到DOM樹(shù)里，內(nèi)存開(kāi)銷和耗時(shí)都比較高，處理海量?jī)?nèi)容時(shí)不建議使用。不過(guò)BeautifulSoup不需要結(jié)構(gòu)清晰的網(wǎng)頁(yè)內(nèi)容，因?yàn)樗梢灾苯觙ind到我們想要的標(biāo)簽，如果對(duì)于一些HTML結(jié)構(gòu)不清晰的網(wǎng)頁(yè)，它比較適合。
XPath是基于SAX的機(jī)制來(lái)解析，不會(huì)像BeautifulSoup去加載整個(gè)內(nèi)容到DOM里，而是基于事件驅(qū)動(dòng)的方式來(lái)解析內(nèi)容，更加輕巧。不過(guò)XPath要求網(wǎng)頁(yè)結(jié)構(gòu)需要清晰，而且開(kāi)發(fā)難度比DOM解析的方式高一點(diǎn)，推薦在需要解析效率時(shí)使用。
requests-html 是比較新的一個(gè)庫(kù)，高度封裝且源碼清晰，它直接整合了大量解析時(shí)繁瑣復(fù)雜的操作，同時(shí)支持DOM解析和XPath解析兩種方式，靈活方便，這是我目前用得較多的一個(gè)庫(kù)。
除了以上介紹到幾種網(wǎng)頁(yè)內(nèi)容解析方式之外還有很多解析手段，在此不一一進(jìn)行介紹了。
寫一個(gè)爬蟲(chóng)，最重要的兩點(diǎn)就是如何抓取數(shù)據(jù)，如何解析數(shù)據(jù)，我們要活學(xué)活用，在不同的時(shí)候利用最有效的工具去完成我們的目的。
