關於爬蟲中常見的兩個網頁解析工具的分析 —— lxml / xpath 與 bs4 / BeautifulSoup

　　讀者可能會奇怪我標題怎么理成這個鬼樣子，主要是單單寫 lxml 與 bs4 這兩個 py 模塊名可能並不能一下引起大眾的注意，一般講到網頁解析技術，提到的關鍵詞更多的是 BeautifulSoup 和 xpath ，而它們各自所在的模塊(python 中是叫做模塊，但其他平台下更多地是稱作庫)，很少被拿到明面上來談論。下面我將從效率、復雜度等多個角度來對比 xpath 與 beautifulsoup 的區別。

效率

　　從效率上來講，xpath 確實比 BeautifulSoup 高效得多，每次分步調試時，soup 對象的生成有很明顯的延遲，而 lxml.etree.HTML(html) 方式則在 step over 的一瞬間便構建成功了一個可執行 xpath 操作的對象,速度驚人。原理上來講，bs4 是用 python 寫的，lxml 是 c 語言實現的，而且 BeautifulSoup 是基於 DOM 的，會載入整個文檔，解析整個DOM樹，因此時間和內存開銷都會大很多。而lxml只會進行局部遍歷。

 

使用復雜度

　　從使用復雜度來講，beautifulsoup 的 find 方法要比 xpath 簡單，后者不僅要求通曉 xpath 語法，而且 xpath 方法的返回對象始終是一個 list，這使得對於頁面中一些唯一元素的處理有些尷尬，比如根據 id 獲取頁面某一標簽，下面我用兩種方式實現一個獲取網頁導航欄的方法 (注釋部分為 bs4 的實現)：

    def get_nav(self,response):
        # soup = BeautifulSoup(response.body_as_unicode(), 'lxml')
        # nav_list = soup.find('ul', id='nav').find_all('li')
        model = etree.HTML(response.body_as_unicode())
        nav_list = model.xpath('//ul[@id="nav"]/li')
        for nav in nav_list[1:]:
            # href = nav.find('a').get('href')
            href = nav.xpath('./a/@href')[0]
yield Request(href, callback=self.get_url)

　　可以看到 xpath 除了其特殊的語法看上去有些別扭（跟正則表達式似的）以外，它在代碼簡潔度上還是可觀的，只是所有 xpath 方法的返回結果都是一個 list ，如果匹配目標是單個元素，對於無腦下標取0的操作，強迫症患者可能有些難受。相比之下，BeautifulSoup 這一長串的 find 與 find_all 方法顯得有些呆板，如果碰到搜索路線比較曲折的，比如：

# href = article.find('div', class_='txt').find('p', class_='tit blue').find('span').find('em').find('a').get('href')
href = article.xpath('./div[@class="txt"]//p[@class="tit blue"]/span/em/a/@href')[0]

　　這種情況下，BeautifulSoup 的寫法就顯得有些讓人反胃了，當然一般情況下不會出現這么長的路徑定位。

 

功能缺陷總結——BeautifulSoup

　　　BeautifulSoup 在使用上的一個短板，就是在嵌套列表中去匹配元素的時候會顯得很無力，下面是一個例子（具體網頁結構可根據 index_page 在瀏覽器打開進行審查）：

class RankSpider(spider):
    name = 'PCauto_rank'
    index_page = 'http://price.pcauto.com.cn/top/hot/s1-t1.html'
    api_url = 'http://price.pcauto.com.cn%s'

    def start_requests(self):
        yield Request(self.index_page, callback=self.get_left_nav)

    # 測試 BeautifulSoup 是否能連續使用兩個 find_all 方法
    def get_left_nav(self,response):
        # model = etree.HTML(response.body_as_unicode())
        # nav_list = model.xpath('//div[@id="leftNav"]/ul[@class="pb200"]/li//a[@class="dd "]')
        soup = BeautifulSoup(response.body_as_unicode(), 'lxml')
        nav_list = soup.find('div', id='leftNav').find('ul', class_='pb200').find_all('li').find_all('a', class_='dd')
        for sub_nav in nav_list:
            href = self.api_url % sub_nav.xpath('./@href')[0]
            yield Request(href, callback=self.get_url)

    def get_url(self):
        pass

　　　使用注釋部分的 xpath 寫法沒什么問題，可實現准確定位，但用到 BeautifulSoup 去實現相應邏輯的時候，就要連續使用兩個 find_all 方法 ，顯然這種寫法不符合規范，運行的時候會報 AttributeError: 'ResultSet' object has no attribute 'find_all' 錯誤，這時候我們要實現這種匹配，只能先去遍歷各個 li ，然后調 find_all 方法找到 li 下的各個 a 標簽，實在繁瑣，所以這種場景用 xpath 來解決會省下不少麻煩。

　　當然這里我只是單單為了詮釋這么個問題才在故意在拿目標 url 時分這么多級的，實際開發中我這里用的是：

        # nav_list = model.xpath('//div[@id="leftNav"]///a[@class="dd "]')
        nav_list = soup.find('div', id='leftNav').find_all('a', class_='dd')

　　但如果說我們的目標不是所有的 li 下面的 a 標簽，而是部分 class="*" 的 li 下面的 a 標簽，這時候我們就只能選擇使用 xpath 來達到目的，當然如果你喜歡寫遍歷，覺得這樣寫出來邏輯展示更清晰，那你可以跳過這一節。

 

功能缺陷總結——xpath

　　xpath 的類選擇器在做公共類名選擇時有短板，也勉強把它算作功能缺陷吧，比如:　　　　　

 model = etree.HTML(response.body_as_unicode())
 model.xpath('//div[@class="box box-2 box-4"]')

　　無法定位 html 中 class 為 box box-2 box-4 mt25 與 box box-2 box-4 mt17 的兩個 div,必須分別以： 

model.xpath('//div[@class="box box-2 box-4 mt25"]') 
model.xpath('//div[@class="box box-2 box-4 mt17"]')

　　來匹配目標，這可能要歸結於 xpath 在設計的時候本身就是以類名的完全匹配來確定目標的，哪怕多一個空格：

　　頁面中一個 a 標簽是這樣寫的:  <a href="/top/hot/s1-t1.html" class="dd ">5萬以下</a> 用 xpath 去選擇，寫作：

　　　　　　model.xpath('//a[@class="dd"]')

　　死活匹配不到（當時真的是蠻懵逼的），必須要在后面加空格，但在通過 js 控制台 a.dd 這個類選擇器又可以定位到目標,而且 BeautifulSoup 調 find_all('a', class_='dd') 也是沒有問題的，這種應用場景下的 xpath 就略顯死板。

 

文本獲取

　　xpath 目標結點的 text 屬性值對應的只是當前匹配元素下面的文本信息，如要獲取該結點下面包括子結點在內的所有文本內容要使用 .xpath('string()') 的方式：

     　　model = etree.HTML(response.body_as_unicode())
        place = model.xpath('//div[@class="guide"]')

# nav and aiticle
        if place:
            mark = place[0].xpath('./span[@class="mark"]')
            if mark:
                # text = mark[0].text.strip().replace('\n','').replace('\r','')  # false
                text = mark[0].xpath('string()')
                result['address'] = text

 

其他方面比較

　　 從參考資料上來講，bs4 有詳細中/英文版官方幫助文檔，lxml 好像 document 相對少。另外 BeautifulSoup 的結點對象在 Debugger 下面對於變量內容的監視更友好，它直接顯示匹配的 html 字符串，而 lxml 就是一個類似這種表示的對象： <Element html at 0x####>，不是很友好，但這都不重要，筆者還是更喜歡 xpath 的高效，簡潔，一步到位。

　　

　　整理了一下午，感覺這兩種技術在應用中的細節對比網上應該比這寫得更詳細的了，希望對大家有幫助吧。另外，說一點題外話，最近發現一些網站未經允許引用本人的文章 (以"懂客"為代表) ，在這里我還是呼吁大家更多地關注源出處，關注正經博客網站，比如博客園，嘿嘿~