Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結
前幾天小編連續寫了四篇關於Python選擇器的文章,分別用正規表示式、BeautifulSoup、Xpath、CSS選擇器分別抓取京東網的商品資訊。今天小編來給大家總結一下這四個選擇器,讓大家更加深刻的理解和熟悉Python選擇器。
一、正規表示式
正規表示式為我們提供了抓取資料的快捷方式。雖然該正規表示式更容易適應未來變化,但又存在難以構造、可讀性差的問題。當在爬京東網的時候,正規表示式如下圖所示:
利用正規表示式實現對目標資訊的精準採集
此外 ,我們都知道,網頁時常會產生變更,導致網頁中會發生一些微小的佈局變化時,此時也會使得之前寫好的正規表示式無法滿足需求,而且還不太好除錯。當需要匹配的內容有很多的時候,使用正規表示式提取目標資訊會導致程式執行的速度減慢,需要消耗更多記憶體。
二、BeautifulSoup
BeautifulSoup是一個非常流行的 Pyhon 模組。該模組可以解析網頁,並提供定位內容的便捷介面。通過'pip install beautifulsoup4'就可以實現該模組的安裝了。
利用美麗的湯去提取目標資訊
使用 BeautifulSoup的第一步是將己下載的 HTML 內容解析為 soup文件。由 於大多 數網 頁都不具備良好的HTML 格式,因此BeautifulSoup需要對實際格式進行確定。BeautifulSoup能夠正確解析缺失的引號並閉合標籤,此外還會新增<html >和<body>標籤使其成為完整的HTML文件。通常使用find() 和find_all()方法來定位我們需要的元素。如果你想了解BeautifulSoup全部方法和引數,可以查閱BeautifulSoup的官方文件。雖然BeautifulSoup在程式碼的理解上比正規表示式要複雜一些,但是其更加容易構造和理解。
三、Lxml
Lxml模組使用 C語言編寫,其解析速度比 BeautiflSoup更快,而且其安裝過程也更為複雜,在此小編就不贅述啦。XPath 使用路徑表示式在 XML 文件中選取節點。節點是通過沿著路徑或者 step 來選取的。
Xpath
使用 lxml 模組的第一步和BeautifulSoup一樣,也是將有可能不合法的HTML 解析為 統一格式。 雖然Lxml可以正確解析屬性兩側缺失的引號,並閉合標籤,不過該模組沒有額外新增<html >和<body>標籤 。
線上複製Xpath表示式可以很方便的複製Xpath表示式。但是通過該方法得到的Xpath表示式放在程式中一般不能用,而且長的沒法看。所以Xpath表示式一般還是要自己親自上手。
四、CSS
CSS選擇器表示選擇元素所使用 的模式。BeautifulSoup整合了CSS選擇器的語法和自身方便使用API。在網路爬蟲的開發過程中,對於熟悉CSS選擇器語法的人,使用CSS選擇器是個非常方便的方法。
CSS選擇器
下面是一些常用的選擇器示例。
-
選擇所 有標籤: *
-
選擇<a>標 籤: a
-
選擇所有class=”link” 的元素: .l in k
-
選擇 class=”link” 的<a>標籤: a.link
-
選擇 id= " home ” 的<a>標籤: a Jhome
-
選擇父元素為<a>標籤的所有< span>子標籤: a > span
-
選擇<a>標籤內部的所有<span>標籤: a span
-
選擇title屬性為” Home ” 的所有<a>標籤: a [title=Home]
五、效能對比
lxml 和正規表示式模組都是C語言編寫的,而BeautifulSoup則是純Python 編寫的。下表總結了每種抓取方法的優缺點。
需要注意的是。lxml在內部實現中,實際上是將CSS選擇器轉換為等價的Xpath選擇器。
六、總結
如果你的爬蟲瓶頸是下載網頁,而不是抽取資料的話,那麼使用較慢的方法(如BeautifulSoup) 也不成問題。如果只需抓取少量資料,並且想要避免額外依賴的話,那麼正規表示式可能更加適合。不過,通常情況下,l xml是抓取資料的最好選擇,這是因為該方法既快速又健壯,而正規表示式和BeautifulSoup只在某些特定場景下有用。
大家在學python的時候肯定會遇到很多難題,以及對於新技術的追求,這裡推薦一下我們的Python學習扣qun:784758214,這裡是python學習者聚集地!!同時,自己是一名高階python開發工程師,從基礎的python指令碼到web開發、爬蟲、django、資料探勘等,零基礎到專案實戰的資料都有整理。送給每一位python的小夥伴!每日分享一些學習的方法和需要注意的小細節
點選: python技術分享交流
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69913713/viewspace-2648619/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- Golang爬蟲+正規表示式Golang爬蟲
- Python爬蟲之CSS選擇器Python爬蟲CSS
- Python爬蟲— 1.4 正規表示式:re庫Python爬蟲
- python爬蟲之re正規表示式庫Python爬蟲
- (一) 爬蟲教程 |正規表示式爬蟲
- Java 的正規表示式與爬蟲Java爬蟲
- 正規表示式總結
- 常用正規表示式爬取網頁資訊及HTML分析總結網頁HTML
- python爬蟲學習筆記4-正規表示式Python爬蟲筆記
- Java正規表示式總結Java
- 常用正規表示式總結
- JS正規表示式總結JS
- javascript正規表示式總結JavaScript
- Datawhale-爬蟲-Task2(正規表示式)爬蟲
- Python爬蟲教程-19-資料提取-正規表示式(re)Python爬蟲
- css選擇器總結CSS
- 正規表示式學習總結
- JavaScript正規表示式方法總結JavaScript
- 正規表示式要點總結
- 正規表示式的小總結
- 爬蟲必學知識之正規表示式上篇爬蟲
- Python爬蟲——XPathPython爬蟲
- Python爬蟲-xpathPython爬蟲
- 常用正規表示式爬取網頁資訊及分析HTML標籤總結網頁HTML
- Python "爬蟲"出發前的裝備之一正規表示式Python爬蟲
- 【Python3網路爬蟲開發實戰】3-基本庫的使用-3正規表示式Python爬蟲
- 網路爬蟲流程總結爬蟲
- [python爬蟲] 正規表示式使用技巧及爬取個人部落格例項Python爬蟲
- php之正規表示式函式總結PHP函式
- 爬蟲入門系列(六):正規表示式完全指南(下)爬蟲
- 超簡單!正規表示式總結
- 擴充正規表示式命令總結
- [Python] 網路爬蟲與資訊提取(1) 網路爬蟲之規則Python爬蟲
- pyspider 爬蟲教程(1):HTML 和 CSS 選擇器IDE爬蟲HTMLCSS
- css選擇器分類總結CSS
- 正規表示式基礎知識總結
- 硬剛正規表示式的心得總結
- JavaScript學習總結(八)正規表示式JavaScript