python網絡爬蟲-爬取網頁的三種方式

 

0.1 抓取網頁

本文將舉例說明抓取網頁數據的三種方式：正則表達式、BeautifulSoup、lxml。
利用該代碼獲取抓取整個網頁。

import requests


def download(url, num_retries=2, user_agent='wswp', proxies=None):
    '''下載一個指定的URL並返回網頁內容
        參數：
            url(str): URL
        關鍵字參數：
            user_agent(str):用戶代理（默認值：wswp）
            proxies（dict）： 代理（字典）: 鍵：‘http’'https'
            值：字符串（‘http(s)://IP’）
            num_retries(int):若是有5xx錯誤就重試（默認：2）
            #5xx服務器錯誤，表示服務器沒法完成明顯有效的請求。
            #https://zh.wikipedia.org/wiki/HTTP%E7%8A%B6%E6%80%81%E7%A0%81
    '''
    print('==========================================')
    print('Downloading:', url)
    headers = {'User-Agent': user_agent} #頭部設置，默認頭部有時候會被網頁反扒而出錯
    try:
        resp = requests.get(url, headers=headers, proxies=proxies) #簡單粗暴，.get(url)
        html = resp.text #獲取網頁內容，字符串形式
        if resp.status_code >= 400: #異常處理，4xx客戶端錯誤 返回None
            print('Download error:', resp.text)
            html = None
            if num_retries and 500 <= resp.status_code < 600:
                # 5類錯誤
                return download(url, num_retries - 1)#若是有服務器錯誤就重試兩次

    except requests.exceptions.RequestException as e: #其餘錯誤，正常報錯
        print('Download error:', e)
        html = None
    return html #返回html

0.2 爬取目標

爬取http://example.webscraping.com/places/default/view/Australia-14網頁中全部顯示內容。

網頁結構

分析網頁結構能夠看出，全部內容都在標籤<table>中，以area爲例能夠看出，area的值在：
<tr id="places_area__row"><td class="w2p_fw">7,686,850 square kilometres</td>
根據這個結構，咱們用不一樣的方式來表達，就能夠抓取到全部想要的數據了。

 

#正則表達式：
re.search(r'<tr id="places_area__row">.*?<td class="w2p_fw">(.*?)</td>').groups()[0] # .*?表示任意非換行值，（）是分組，可用於輸出。
#BeautifulSoup
soup.find('table').find('tr', id='places_area__row').find('td', class_="w2p_fw").text
#lxml_css selector
tree.cssselect('table > tr#places_area__row > td.w2p_fw' )[0].text_content()
#lxml_xpath
tree.xpath('//tr[@id="places_area__row"]/td[@class="w2p_fw"]' )[0].text_content()

Chrome 瀏覽器能夠方便的複製出各類表達方式：

 

複製格式

有了以上的download函數和不一樣的表達式，咱們就能夠用三種不一樣的方法來抓取數據了。

1.不一樣方式抓取數據

1.1 正則表達式爬取網頁

正則表達式無論在python仍是其餘語言都有很好的應用，用簡單的規定符號來表達不一樣的字符串組成形式，簡潔又高效。學習正則表達式頗有必要。 python內置正則表達式，無需額外安裝。

import re


targets = ('area', 'population', 'iso', 'country', 'capital', 'continent',
           'tld', 'currency_code', 'currency_name', 'phone', 'postal_code_format',
           'postal_code_regex', 'languages', 'neighbours')

def re_scraper(html):
    results = {}
    for target in targets:
        results[target] = re.search(r'<tr id="places_%s__row">.*?<td class="w2p_fw">(.*?)</td>'
                                    % target, html).groups()[0]
    return results

1.2BeautifulSoup抓取數據

代碼以下：

from bs4 import BeautifulSoup


targets = ('area', 'population', 'iso', 'country', 'capital', 'continent',
           'tld', 'currency_code', 'currency_name', 'phone', 'postal_code_format',
           'postal_code_regex', 'languages', 'neighbours')

def bs_scraper(html):
    soup = BeautifulSoup(html, 'html.parser')
    results = {}
    for target in targets:
        results[target] = soup.find('table').find('tr', id='places_%s__row' % target) \
            .find('td', class_="w2p_fw").text
    return results

1.3 lxml 抓取數據

from lxml.html import fromstring


def lxml_scraper(html):
    tree = fromstring(html)
    results = {}
    for target in targets:
        results[target] = tree.cssselect('table > tr#places_%s__row > td.w2p_fw' % target)[0].text_content()
    return results


def lxml_xpath_scraper(html):
    tree = fromstring(html)
    results = {}
    for target in targets:
        results[target] = tree.xpath('//tr[@id="places_%s__row"]/td[@class="w2p_fw"]' % target)[0].text_content()
    return results

1.4 運行結果

scrapers = [('re', re_scraper), ('bs',bs_scraper), ('lxml', lxml_scraper), ('lxml_xpath',lxml_xpath_scraper)]
html = download('http://example.webscraping.com/places/default/view/Australia-14')
for name, scraper in scrapers:
    print(name,"=================================================================")
    result = scraper(html)
    print(result)

==========================================
Downloading: http://example.webscraping.com/places/default/view/Australia-14
re =================================================================
{'area': '7,686,850 square kilometres', 'population': '21,515,754', 'iso': 'AU', 'country': 'Australia', 'capital': 'Canberra', 'continent': '<a href="/places/default/continent/OC">OC</a>', 'tld': '.au', 'currency_code': 'AUD', 'currency_name': 'Dollar', 'phone': '61', 'postal_code_format': '####', 'postal_code_regex': '^(\\d{4})$', 'languages': 'en-AU', 'neighbours': '<div><a href="/places/default/iso//"> </a></div>'}
bs =================================================================
{'area': '7,686,850 square kilometres', 'population': '21,515,754', 'iso': 'AU', 'country': 'Australia', 'capital': 'Canberra', 'continent': 'OC', 'tld': '.au', 'currency_code': 'AUD', 'currency_name': 'Dollar', 'phone': '61', 'postal_code_format': '####', 'postal_code_regex': '^(\\d{4})$', 'languages': 'en-AU', 'neighbours': ' '}
lxml =================================================================
{'area': '7,686,850 square kilometres', 'population': '21,515,754', 'iso': 'AU', 'country': 'Australia', 'capital': 'Canberra', 'continent': 'OC', 'tld': '.au', 'currency_code': 'AUD', 'currency_name': 'Dollar', 'phone': '61', 'postal_code_format': '####', 'postal_code_regex': '^(\\d{4})$', 'languages': 'en-AU', 'neighbours': ' '}
lxml_xpath =================================================================
{'area': '7,686,850 square kilometres', 'population': '21,515,754', 'iso': 'AU', 'country': 'Australia', 'capital': 'Canberra', 'continent': 'OC', 'tld': '.au', 'currency_code': 'AUD', 'currency_name': 'Dollar', 'phone': '61', 'postal_code_format': '####', 'postal_code_regex': '^(\\d{4})$', 'languages': 'en-AU', 'neighbours': ' '}

從結果能夠看出正則表達式在某些地方返回多餘元素，而不是純粹的文本。這是由於這些地方的網頁結構和別的地方不一樣，所以正則表達式不能徹底覆蓋同樣的內容，若有的地方包含連接和圖片。而BeautifulSoup和lxml有專門的提取文本函數，所以不會有相似錯誤。

既然有三種不一樣的抓取方式，那有什麼區別？應用場合如何？該如何選擇呢？ ···to be continued···