Python网络爬虫四大选择器用法原理总结


Posted in Python onJune 01, 2020

前几天小编连续写了四篇关于Python选择器的文章,分别用正则表达式、BeautifulSoup、Xpath、CSS选择器分别抓取京东网的商品信息。今天小编来给大家总结一下这四个选择器,让大家更加深刻的理解和熟悉Python选择器。

一、正则表达式

正则表达式为我们提供了抓取数据的快捷方式。虽然该正则表达式更容易适应未来变化,但又存在难以构造、可读性差的问题。当在爬京东网的时候,正则表达式如下图所示:

Python网络爬虫四大选择器用法原理总结

利用正则表达式实现对目标信息的精准采集

此外 ,我们都知道,网页时常会产生变更,导致网页中会发生一些微小的布局变化时,此时也会使得之前写好的正则表达式无法满足需求,而且还不太好调试。当需要匹配的内容有很多的时候,使用正则表达式提取目标信息会导致程序运行的速度减慢,需要消耗更多内存。

二、BeautifulSoup

BeautifulSoup是一个非常流行的 Pyhon 模块。该模块可以解析网页,并提供定位内容的便捷接口。通过'pip install beautifulsoup4'就可以实现该模块的安装了。

Python网络爬虫四大选择器用法原理总结

利用美丽的汤去提取目标信息

使用 BeautifulSoup的第一步是将己下载的 HTML 内容解析为 soup文档。由 于大多 数网 页都不具备良好的HTML 格式,因此BeautifulSoup需要对实际格式进行确定。BeautifulSoup能够正确解析缺失的引号并闭合标签,此外还会添加<html >和<body>标签使其成为完整的HTML文档。通常使用find() 和find_all()方法来定位我们需要的元素。如果你想了解BeautifulSoup全部方法和参数,可以查阅BeautifulSoup的官方文档。虽然BeautifulSoup在代码的理解上比正则表达式要复杂一些,但是其更加容易构造和理解。

三、Lxml

Lxml模块使用 C语言编写,其解析速度比 BeautiflSoup更快,而且其安装过程也更为复杂,在此小编就不赘述啦。XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

Python网络爬虫四大选择器用法原理总结

Xpath

使用 lxml 模块的第一步和BeautifulSoup一样,也是将有可能不合法的HTML 解析为 统一格式。 虽然Lxml可以正确解析属性两侧缺失的引号,并闭合标签,不过该模块没有额外添加<html >和<body>标签 。

在线复制Xpath表达式可以很方便的复制Xpath表达式。但是通过该方法得到的Xpath表达式放在程序中一般不能用,而且长的没法看。所以Xpath表达式一般还是要自己亲自上手。

四、CSS

CSS选择器表示选择元素所使用 的模式。BeautifulSoup整合了CSS选择器的语法和自身方便使用API。在网络爬虫的开发过程中,对于熟悉CSS选择器语法的人,使用CSS选择器是个非常方便的方法。

Python网络爬虫四大选择器用法原理总结

CSS选择器

下面是一些常用的选择器示例。

  • 选择所有标签: *
  • 选择<a>标 签: a
  • 选择所有class=”link” 的元素: .l in k
  • 选择 class=”link” 的<a>标签: a.link
  • 选择 id= " home ” 的<a>标签: a Jhome
  • 选择父元素为<a>标签的所有< span>子标签: a > span
  • 选择<a>标签内部的所有<span>标签: a span
  • 选择title属性为” Home ” 的所有<a>标签: a [title=Home]

五、性能对比

lxml 和正则表达式模块都是C语言编写的,而BeautifulSoup则是纯Python 编写的。下表总结了每种抓取方法的优缺点。

Python网络爬虫四大选择器用法原理总结

相对困难需要注意的是。lxml在内部实现中,实际上是将CSS选择器转换为等价的Xpath选择器。

六、总结

如果你的爬虫瓶颈是下载网页,而不是抽取数据的话,那么使用较慢的方法(如BeautifulSoup) 也不成问题。如果只需抓取少量数据,并且想要避免额外依赖的话,那么正则表达式可能更加适合。不过,通常情况下,l xml是抓取数据的最好选择,这是因为该方法既快速又健壮,而正则表达式和BeautifulSoup只在某些特定场景下有用。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python中的并发编程实例
Jul 07 Python
Python 检查数组元素是否存在类似PHP isset()方法
Oct 14 Python
Django中的Signal代码详解
Feb 05 Python
使用Python读取二进制文件的实例讲解
Jul 09 Python
python 执行文件时额外参数获取的实例
Dec 18 Python
不到20行代码用Python做一个智能聊天机器人
Apr 19 Python
python制作填词游戏步骤详解
May 05 Python
Python变量访问权限控制详解
Jun 29 Python
Python使用Tkinter实现滚动抽奖器效果
Jan 06 Python
pymysql 插入数据 转义处理方式
Mar 02 Python
解决Jupyter notebook中.py与.ipynb文件的import问题
Apr 21 Python
Opencv求取连通区域重心实例
Jun 04 Python
浅谈Pycharm的项目文件名是红色的原因及解决方式
Jun 01 #Python
pycharm设置默认的UTF-8编码模式的方法详解
Jun 01 #Python
解决pycharm导入本地py文件时,模块下方出现红色波浪线的问题
Jun 01 #Python
Python常见反爬虫机制解决方案
Jun 01 #Python
解决python运行启动报错问题
Jun 01 #Python
利用python控制Autocad:pyautocad方式
Jun 01 #Python
Python 跨.py文件调用自定义函数说明
Jun 01 #Python
You might like
德生PL990,目前市面上唯一一款便携式插卡蓝牙全波段高性能收音机
2021/03/02 无线电
php设置页面超时时间解决方法
2015/09/22 PHP
php校验公钥是否可用的实例方法
2019/09/17 PHP
PHP 文件写入和读取操作实例详解【必看篇】
2019/11/04 PHP
Yii框架布局文件的动态切换操作示例
2019/11/11 PHP
用js计算页面执行时间的函数
2006/12/07 Javascript
js检测浏览器版本、核心、是否移动端示例
2014/04/24 Javascript
JavaScript异步回调的Promise模式封装实例
2014/06/07 Javascript
Node.js中使用计时器定时执行函数详解
2014/08/15 Javascript
JQuery操作元素的css样式
2015/03/09 Javascript
javascript中返回顶部按钮的实现
2015/05/05 Javascript
Javascript仿新浪游戏频道鼠标悬停显示子菜单效果
2015/08/21 Javascript
轻量级jQuery插件slideBox实现带底栏轮播(焦点图)代码
2016/03/28 Javascript
JS中常用的输出方式(五种)
2016/06/12 Javascript
canvas雪花效果核心代码分享
2017/02/19 Javascript
Js自动截取字符串长度,添加省略号(……)的实现方法
2017/03/06 Javascript
微信小程序实现多个按钮toggle功能的实例
2017/06/13 Javascript
基于js粘贴事件paste简单解析以及遇到的坑
2017/09/07 Javascript
vue.js给动态绑定的radio列表做批量编辑的方法
2018/02/28 Javascript
js构建二叉树进行数值数组的去重与优化详解
2018/03/26 Javascript
javascript实现图片轮播代码
2019/07/09 Javascript
浅析js实现网页截图的两种方式
2019/11/01 Javascript
vue实现随机验证码功能(完整代码)
2019/12/10 Javascript
彻底搞懂并解决vue-cli4中图片显示的问题实现
2020/08/31 Javascript
在Python中用get()方法获取字典键值的教程
2015/05/21 Python
简单谈谈python的反射机制
2016/06/28 Python
tensorflow 1.0用CNN进行图像分类
2018/04/15 Python
Django unittest 设置跳过某些case的方法
2018/12/26 Python
windows10环境下用anaconda和VScode配置的图文教程
2020/03/30 Python
Python代码注释规范代码实例解析
2020/08/14 Python
澳大利亚药房在线:ThePharmacy
2017/10/04 全球购物
大学生2014全国两会学习心得体会
2014/03/10 职场文书
优秀的2014年两会精神解读
2014/03/17 职场文书
本科生求职信
2014/06/17 职场文书
2014年小学图书室工作总结
2014/12/09 职场文书
酒店员工管理制度
2015/08/05 职场文书