欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫的两套解析方法和四种爬虫实现

程序员文章站 2022-06-08 20:42:00
对于大多数朋友而言,爬虫绝对是学习 python 的最好的起手和入门方式。因为爬虫思维模式固定,编程模式也相对简单,一般在细节处理上积累一些经验都可以成功入门。本文想针对某一网页对 python 基础爬虫的两大解析库( BeautifulSoup 和 lxml )和几种信息提取实现方法进行分析,以开 ......

对于大多数朋友而言,爬虫绝对是学习 python 的最好的起手和入门方式。因为爬虫思维模式固定,编程模式也相对简单,一般在细节处理上积累一些经验都可以成功入门。本文想针对某一网页对 python 基础爬虫的两大解析库( BeautifulSoup 和 lxml )和几种信息提取实现方法进行分析,以开 python 爬虫之初见。

基础爬虫的固定模式

笔者这里所谈的基础爬虫,指的是不需要处理像异步加载、验证码、代理等高阶爬虫技术的爬虫方法。一般而言,基础爬虫的两大请求库 urllib 和 requests 中 requests 通常为大多数人所钟爱,当然 urllib 也功能齐全。两大解析库 BeautifulSoup 因其强大的 HTML 文档解析功能而备受青睐,另一款解析库 lxml 在搭配 xpath 表达式的基础上也效率提高。就基础爬虫来说,两大请求库和两大解析库的组合方式可以依个人偏好来选择。

笔者喜欢用的爬虫组合工具是:

  • requests + BeautifulSoup

  • requests + lxml

同一网页爬虫的四种实现方式

笔者以腾讯新闻首页的新闻信息抓取为例。

首页外观如下:

Python爬虫的两套解析方法和四种爬虫实现

比如说我们想抓取每个新闻的标题和链接,并将其组合为一个字典的结构打印出来。首先查看 HTML 源码确定新闻标题信息组织形式。

Python爬虫的两套解析方法和四种爬虫实现

可以目标信息存在于 em 标签下 a 标签内的文本和 href 属性中。可直接利用 requests 库构造请求,并用 BeautifulSoup 或者 lxml 进行解析。

  • 方式一: requests + BeautifulSoup + select css选择器

 1 # select method
 2 import requests
 3 from bs4 import BeautifulSoup
 4 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
 5 
 6 url = 'http://news.qq.com/'
 7 
 8 Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml')
 9 
10 em = Soup.select('em[class="f14 l24"] a')
11 for i in em:
12 
13     title = i.get_text()
14 
15     link = i['href']
16 
17     print({'标题': title, 
18 '链接': link
19 
20     })

很常规的处理方式,抓取效果如下:

Python爬虫的两套解析方法和四种爬虫实现

  • 方式二: requests + BeautifulSoup + find_all 进行信息提取

 1 # find_all method
 2 import requests
 3 from bs4 import BeautifulSoup
 4 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
 5 
 6 url = 'http://news.qq.com/'
 7 
 8 Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml')
 9 
10 em = Soup.find_all('em', attrs={'class': 'f14 l24'})for i in em:
11 
12     title = i.a.get_text()
13 
14     link = i.a['href']
15 
16     print({'标题': title,
17            '链接': link
18 
19     })

同样是 requests + BeautifulSoup 的爬虫组合,但在信息提取上采用了 find_all 的方式。效果如下:

Python爬虫的两套解析方法和四种爬虫实现

  • 方式三: requests + lxml/etree + xpath 表达式

 1 # lxml/etree method
 2 import requests
 3 from lxml import etree
 4 
 5 
 6 
 7 headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
 8 
 9 url = 'http://news.qq.com/'
10 
11 html = requests.get(url = url, headers = headers)
12 
13 con = etree.HTML(html.text)
14 
15 
16 
17 title = con.xpath('//em[@class="f14 l24"]/a/text()')
18 
19 link = con.xpath('//em[@class="f14 l24"]/a/@href')
20 for i in zip(title, link):
21 
22     print({'标题': i[0],
23 '链接': i[1]
24 
25     })

使用 lxml 库下的 etree 模块进行解析,然后使用 xpath 表达式进行信息提取,效率要略高于 BeautifulSoup + select 方法。这里对两个列表的组合采用了 zip 方法。python学习交流群:125240963效果如下:

Python爬虫的两套解析方法和四种爬虫实现

  • 方式四: requests + lxml/html/fromstring + xpath 表达式

 1 # lxml/html/fromstring method
 2 import requests
 3 import lxml.html as HTML
 4 
 5 
 6 
 7 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
 8 
 9 url = 'http://news.qq.com/'
10 
11 con = HTML.fromstring(requests.get(url = url, headers = headers).text)
12 
13 title = con.xpath('//em[@class="f14 l24"]/a/text()')
14 
15 link = con.xpath('//em[@class="f14 l24"]/a/@href')
16 for i in zip(title, link):
17 
18     print({'标题': i[0],'链接': i[1]
19 
20     })

跟方法三类似,只是在解析上使用了 lxml 库下的 html.fromstring 模块。抓取效果如下:

Python爬虫的两套解析方法和四种爬虫实现

很多人觉得爬虫有点难以掌握,因为知识点太多,需要懂前端、需要python熟练、还需要懂数据库,更不用说正则表达式、XPath表达式这些。其实对于一个简单网页的数据抓取,不妨多尝试几种抓取方案,举一反三,也更能对python爬虫有较深的理解。长此以往,对于各类网页结构都有所涉猎,自然经验丰富,水到渠成。