Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

程式設計師啟航發表於2019-06-24

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:

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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。

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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。

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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。

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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。

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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。

Python網路爬蟲四大選擇器(正規表示式、BS4、Xpath、CSS)總結

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