Python 之 数据抓取三种方法

Python 之 数据抓取三种方法

1. 正则表达式（re库）
2. BeautifulSoup（bs4）
3. lxml

利用之前构建的下载网页函数，获取目标网页的html。

例子

我们以https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/为例，获取html。

from get_html import download
 
url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)

假设我们需要爬取该网页中的国家名称和概况，我们依次使用这三种数据抓取的方法实现数据抓取。

正则表达式

from get_html import download
import re

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)
country = re.findall('class="h2dabiaoti">(.*?)</h2>', page_content) #注意返回的是list
survey_data = re.findall('<tr><td bgcolor="#FFFFFF" id="wzneirong">(.*?)</td></tr>', page_content)
survey_info_list = re.findall('<p>　　(.*?)</p>', survey_data[0])
survey_info = ''.join(survey_info_list)
print(country[0],survey_info)

BeautifulSoup（bs4）

from get_html import download
from bs4 import BeautifulSoup

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
html = download(url)
#创建 beautifulsoup 对象
soup = BeautifulSoup(html,"html.parser")
#搜索
country = soup.find(attrs={'class':'h2dabiaoti'}).text
survey_info = soup.find(attrs={'id':'wzneirong'}).text
print(country,survey_info)

lxml

from get_html import download
from lxml import etree #解析树

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)
selector = etree.HTML(page_content)#可进行xpath解析
country_select = selector.xpath('//*[@id="main_content"]/h2') #返回列表
for country in country_select:
 print(country.text)
survey_select = selector.xpath('//*[@id="wzneirong"]/p')
for survey_content in survey_select:
 print(survey_content.text,end='')

运行结果

对比

引用《用python写网络爬虫》中对三种方法的性能对比，如下图：

最后加个自己使用后得一些理解：

1. re：无敌，但是比较复制，各种排序什么的要熟练，熟练后基本全部数据都可以爬。
2. BeautifulSoup（bs4）：使用虽然简单，但局限性个人认为比较大，因为很多网页的元素不是固定的，还有可能是动态class和id。
3. lxml ：问题和 BeautifulSoup（bs4）一样，动态class和id的问题。

感谢原文博主：https://www.jb51.net/article/205596.htm