Python爬蟲解析網頁的4種方式 值得收藏

用Python寫爬蟲工具在如今是一種司空見慣的事情，每一個人都但願可以寫一段程序去互聯網上扒一點資料下來，用於數據分析或者乾點別的事情。

​

咱們知道，爬蟲的原理無非是把目標網址的內容下載下來存儲到內存中，這個時候它的內容實際上是一堆HTML，而後再對這些HTML內容進行解析，按照本身的想法提取出想要的數據，因此今天咱們主要來說四種在Python中解析網頁HTML內容的方法，各有千秋，適合在不一樣的場合下使用。

首先咱們隨意找到一個網址，這時我腦子裏閃過了豆瓣這個網站。嗯，畢竟是用Python構建的網站，那就拿它來作示範吧。

咱們找到了豆瓣的Python爬蟲小組主頁，看起來長成下面這樣。

​

讓咱們用瀏覽器開發者工具看看HTML代碼，定位到想要的內容上，咱們想要把討論組裏的帖子標題和連接都給扒出來。

​

經過分析，咱們發現實際上咱們想要的內容在整個HTML代碼的 這個區域裏，那咱們只須要想辦法把這個區域內的內容拿出來就差很少了。

如今開始寫代碼。

1: 正則表達式大法

正則表達式一般被用來檢索、替換那些符合某個模式的文本，因此咱們能夠利用這個原理來提取咱們想要的信息。

參考如下代碼。

​

在代碼第6行和第7行，須要手動指定一下header的內容，裝做本身這個請求是瀏覽器請求，不然豆瓣會視爲咱們不是正常請求會返回HTTP 418錯誤。

在第7行咱們直接用requests這個庫的get方法進行請求，獲取到內容後須要進行一下編碼格式轉換，一樣是由於豆瓣的頁面渲染機制的問題，正常狀況下，直接獲取requests content的內容便可。

Python模擬瀏覽器發起請求並解析內容代碼:

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，可是匹配效率很高，不過期至今日有太多現成的HTMl內容解析庫以後，我我的不太建議再手動用正則來對內容進行匹配了，費時費力。

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

這個庫實際上是我我的最喜歡的庫，做則是編寫requests庫的網紅程序員 Kenneth Reitz，他在requests的基礎上加上了對html內容的解析，就變成了requests-html這個庫了。

下面咱們來看看範例：

​

我喜歡用requests-html來解析內容的緣由是由於做者依據幫我高度封裝過了，連請求返回內容的編碼格式轉換也自動作了，徹底可讓個人代碼邏輯簡單直接，更專一於解析工做自己。

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，出來有些年頭了，在Pyhton的HTML解析庫裏屬於重量級的庫，其實我評價它的重量是指比較臃腫，大而全。

仍是來先看看代碼。

​

soup = BeautifulSoup(response, 'html.parser')links = soup.findAll("table", {"class": "olt"})[0].findAll('a') 

BeautifulSoup解析內容一樣須要將請求和解析分開，從代碼清晰程度來說還將就，不過在作複雜的解析時代碼略顯繁瑣，整體來說能夠用，看我的喜愛吧。

安裝途徑: pip install beautifulsoup4

4: lxml的XPath

lxml這個庫同時 支持HTML和XML的解析，支持XPath解析方式，解析效率挺高，不過咱們須要熟悉它的一些規則語法才能使用，例以下圖這些規則。

​

來看看如何用XPath解析內容。

主要解析代碼:

content = doc.xpath("//table[@class='olt']/tr/td/a") 

​

如上圖，XPath的解析語法稍顯複雜，不過熟悉了語法的話也不失爲一種優秀的解析手段，由於。

安裝途徑: pip install lxml

四種方式總結

正則表達式匹配不推薦，由於已經有不少現成的庫能夠直接用，不須要咱們去大量定義正則表達式，還無法複用，在此僅做參考瞭解。

BeautifulSoup是基於DOM的方式，簡單的說就是會在解析時把整個網頁內容加載到DOM樹裏，內存開銷和耗時都比較高，處理海量內容時不建議使用。不過BeautifulSoup不須要結構清晰的網頁內容，由於它能夠直接find到咱們想要的標籤，若是對於一些HTML結構不清晰的網頁，它比較適合。

 

XPath是基於SAX的機制來解析，不會像BeautifulSoup去加載整個內容到DOM裏，而是基於事件驅動的方式來解析內容，更加輕巧。不過XPath要求網頁結構須要清晰，並且開發難度比DOM解析的方式高一點，推薦在須要解析效率時使用。

requests-html 是比較新的一個庫，高度封裝且源碼清晰，它直接整合了大量解析時繁瑣複雜的操做，同時支持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庫。

除了以上介紹到幾種網頁內容解析方式以外還有不少解析手段，在此不一一進行介紹了。

寫一個爬蟲，最重要的兩點就是如何抓取數據，如何解析數據，咱們要活學活用，在不一樣的時候利用最有效的工具去完成咱們的目的。