Python爬虫的两套解析方法和四种爬虫实现过程


            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：

 

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。

 

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





 # select method

 import requests

 from bs4 import BeautifulSoup

 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'} 

 url = 'http://news.qq.com/' 

 Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml')

 em = Soup.select('em[class="f14 l24"] a')

 for i in em:

   title = i.get_text()

   link = i['href']

   print({'标题': title, 

 '链接': link

   })





很常规的处理方式，抓取效果如下：

 

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





 # find_all method

 import requests

 from bs4 import BeautifulSoup

 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'}

 url = 'http://news.qq.com/'

 Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml') 

 em = Soup.find_all('em', attrs={'class': 'f14 l24'})for i in em:

   title = i.a.get_text()

   link = i.a['href']

   print({'标题': title,

      '链接': link

   })



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：

 

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





 # lxml/etree method

 import requests

 from lxml import etree 

 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'}

 url = 'http://news.qq.com/'

 html = requests.get(url = url, headers = headers)

 con = etree.HTML(html.text)

 title = con.xpath('//em[@class="f14 l24"]/a/text()')

 link = con.xpath('//em[@class="f14 l24"]/a/@href')

 for i in zip(title, link):

   print({'标题': i[0],

 '链接': i[1]

   })



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：

 

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





 # lxml/html/fromstring method

 import requests

 import lxml.html as HTML 

 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'}

 url = 'http://news.qq.com/'

 con = HTML.fromstring(requests.get(url = url, headers = headers).text)

 title = con.xpath('//em[@class="f14 l24"]/a/text()')

 link = con.xpath('//em[@class="f14 l24"]/a/@href')

 for i in zip(title, link):

   print({'标题': i[0],'链接': i[1]

   })



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：

 

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。

总结

以上所述是小编给大家介绍的Python爬虫的两套解析方法和四种爬虫实现过程，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对中文源码网网站的支持！