關於爬蟲中常見的兩個網頁解析工具的分析 —— lxml / xpath 與 bs4 / BeautifulSoup

http://www.cnblogs.com/binye-typing/p/6656595.html

　　讀者可能會奇怪我標題怎麼理成這個鬼樣子，主要是單單寫 lxml 與 bs4 這兩個 py 模塊名可能並不能一下引發大衆的注意，通常講到網頁解析技術，提到的關鍵詞更多的是 BeautifulSoup 和 xpath ，而它們各自所在的模塊(python 中是叫作模塊，但其餘平臺下更多地是稱做庫)，不多被拿到明面上來談論。下面我將從效率、複雜度等多個角度來對比 xpath 與 beautifulsoup 的區別。

效率

　　從效率上來說，xpath 確實比 BeautifulSoup 高效得多，每次分步調試時，soup 對象的生成有很明顯的延遲，而 lxml.etree.HTML(html) 方式則在 step over 的一瞬間便構建成功了一個可執行 xpath 操做的對象,速度驚人。原理上來說，bs4 是用 python 寫的，lxml 是 c 語言實現的，並且 BeautifulSoup 是基於 DOM 的，會載入整個文檔，解析整個DOM樹，所以時間和內存開銷都會大不少。而lxml只會進行局部遍歷。

 

使用複雜度

　　從使用複雜度來說，beautifulsoup 的 find 方法要比 xpath 簡單，後者不只要求通曉 xpath 語法，並且 xpath 方法的返回對象始終是一個 list，這使得對於頁面中一些惟一元素的處理有些尷尬，好比根據 id 獲取頁面某一標籤，下面我用兩種方式實現一個獲取網頁導航欄的方法 (註釋部分爲 bs4 的實現)：

1     def get_nav(self,response):
2         # soup = BeautifulSoup(response.body_as_unicode(), 'lxml')
3         # nav_list = soup.find('ul', id='nav').find_all('li')
4         model = etree.HTML(response.body_as_unicode())
5         nav_list = model.xpath('//ul[@id="nav"]/li')
6         for nav in nav_list[1:]:
7             # href = nav.find('a').get('href')
8             href = nav.xpath('./a/@href')[0]
9 yield Request(href, callback=self.get_url)

 

　　能夠看到 xpath 除了其特殊的語法看上去有些彆扭（跟正則表達式似的）之外，它在代碼簡潔度上仍是可觀的，只是全部 xpath 方法的返回結果都是一個 list ，若是匹配目標是單個元素，對於無腦下標取0的操做，強迫症患者可能有些難受。相比之下，BeautifulSoup 這一長串的 find 與 find_all 方法顯得有些呆板，若是碰到搜索路線比較曲折的，好比：

# href = article.find('div', class_='txt').find('p', class_='tit blue').find('span').find('em').find('a').get('href')
href = article.xpath('./div[@class="txt"]//p[@class="tit blue"]/span/em/a/@href')[0]

 

　　這種狀況下，BeautifulSoup 的寫法就顯得有些讓人反胃了，固然通常狀況下不會出現這麼長的路徑定位。

 

功能缺陷總結——BeautifulSoup

　　　BeautifulSoup 在使用上的一個短板，就是在嵌套列表中去匹配元素的時候會顯得很無力，下面是一個例子（具體網頁結構可根據 index_page 在瀏覽器打開進行審查）：

 1 class RankSpider(spider):
 2     name = 'PCauto_rank'
 3     index_page = 'http://price.pcauto.com.cn/top/hot/s1-t1.html'
 4     api_url = 'http://price.pcauto.com.cn%s'
 5 
 6     def start_requests(self):
 7         yield Request(self.index_page, callback=self.get_left_nav)
 8 
 9     # 測試 BeautifulSoup 是否能連續使用兩個 find_all 方法
10     def get_left_nav(self,response):
11         # model = etree.HTML(response.body_as_unicode())
12         # nav_list = model.xpath('//div[@id="leftNav"]/ul[@class="pb200"]/li//a[@class="dd "]')
13         soup = BeautifulSoup(response.body_as_unicode(), 'lxml')
14         nav_list = soup.find('div', id='leftNav').find('ul', class_='pb200').find_all('li').find_all('a', class_='dd')
15         for sub_nav in nav_list:
16             href = self.api_url % sub_nav.xpath('./@href')[0]
17             yield Request(href, callback=self.get_url)
18 
19     def get_url(self):
20         pass

 

 

　　　使用註釋部分的 xpath 寫法沒什麼問題，可實現準肯定位，但用到 BeautifulSoup 去實現相應邏輯的時候，就要連續使用兩個 find_all 方法 ，顯然這種寫法不符合規範，運行的時候會報 AttributeError: 'ResultSet' object has no attribute 'find_all' 錯誤，這時候咱們要實現這種匹配，只能先去遍歷各個 li ，而後調 find_all 方法找到 li 下的各個 a 標籤，實在繁瑣，因此這種場景用 xpath 來解決會省下很多麻煩。

　　固然這裏我只是單單爲了詮釋這麼個問題纔在故意在拿目標 url 時分這麼多級的，實際開發中我這裏用的是：

1         # nav_list = model.xpath('//div[@id="leftNav"]///a[@class="dd "]')
2         nav_list = soup.find('div', id='leftNav').find_all('a', class_='dd')

 

　　但若是說咱們的目標不是全部的 li 下面的 a 標籤，而是部分 class="*" 的 li 下面的 a 標籤，這時候咱們就只能選擇使用 xpath 來達到目的，固然若是你喜歡寫遍歷，以爲這樣寫出來邏輯展現更清晰，那你能夠跳過這一節。

 

功能缺陷總結——xpath

　　xpath 的類選擇器在作公共類名選擇時有短板，也勉強把它算做功能缺陷吧，好比:　　　　　

1  model = etree.HTML(response.body_as_unicode())
2  model.xpath('//div[@class="box box-2 box-4"]')

　　沒法定位 html 中 class 爲 box box-2 box-4 mt25 與 box box-2 box-4 mt17 的兩個 div,必須分別以： 

model.xpath('//div[@class="box box-2 box-4 mt25"]') 
model.xpath('//div[@class="box box-2 box-4 mt17"]')

 

　　來匹配目標，這可能要歸結於 xpath 在設計的時候自己就是以類名的徹底匹配來肯定目標的，哪怕多一個空格：

　　頁面中一個 a 標籤是這樣寫的:  <a href="/top/hot/s1-t1.html" class="dd ">5萬如下</a> 用 xpath 去選擇，寫做：

　　　　　　model.xpath('//a[@class="dd"]')

　　死活匹配不到（當時真的是蠻懵逼的），必需要在後面加空格，但在經過 js 控制檯 a.dd 這個類選擇器又能夠定位到目標,並且 BeautifulSoup 調 find_all('a', class_='dd') 也是沒有問題的，這種應用場景下的 xpath 就略顯死板。

 

文本獲取

　　xpath 目標結點的 text 屬性值對應的只是當前匹配元素下面的文本信息，如要獲取該結點下面包括子結點在內的全部文本內容要使用 .xpath('string()') 的方式：

1      　　model = etree.HTML(response.body_as_unicode())
2         place = model.xpath('//div[@class="guide"]')
3 # nav and aiticle
4         if place:
5             mark = place[0].xpath('./span[@class="mark"]')
6             if mark:
7                 # text = mark[0].text.strip().replace('\n','').replace('\r','')  # false
8                 text = mark[0].xpath('string()')
9                 result['address'] = text

 

 

其餘方面比較

　　從參考資料上來說，bs4 有詳細中/英文版官方幫助文檔，lxml 好像 document 相對少。另外 BeautifulSoup 的結點對象在 Debugger 下面對於變量內容的監視更友好，它直接顯示匹配的 html 字符串，而 lxml 就是一個相似這種表示的對象： <Element html at 0x####>，不是很友好，但這都不重要，筆者仍是更喜歡 xpath 的高效，簡潔，一步到位。