爬虫学习——网页解释器简介

 

 

 

一、Python的网页解析器

 

1. 正则表达式：将整个网页文档当作字符串，然后使用模糊匹配的方式，来提取出有价值的数据和新的url

　　优点：看起来比较直观

　　缺点：若文档比较复杂，这种解析方式会显得很麻烦

   　2.html.parser:此为python自带的解析器

　　3.lxml：第三方插件解析器，可解析html和xml网页

　　4.Beautiful Soup:强大的第三方插件解析器，可使用html.parser和lxml解析器

其中正则表达式采用模糊匹配的表达方式；html.parser、lxml、Beautiful Soup采用结构化解析的方式

二、什么是结构化解析

将整个网页文档加载成一个DOM树，就是将文档转化为DOM树模型，以树的方式进行上下级的遍历和访问。