下面我們將介紹三種抓取網頁數據的方法，首先是正則表達式，然后是流行的 BeautifulSoup 模塊，最后是強大的 lxml 模塊。
1. 正則表達式
如果你對正則表達式還不熟悉，或是需要一些提示時，可以查閱Regular Expression HOWTO 獲得完整介紹。
當我們使用正則表達式抓取國家面積數據時，首先要嘗試匹配元素中的內容，如下所示:
>>> import re >>> import urllib2 >>> url = 'http://example.webscraping.com/view/United-Kingdom-239' >>> html = urllib2.urlopen(url).read() >>> re.findall('<td class="w2p_fw">(.*?)</td>', html) ['<img src="/places/static/images/flags/gb.png" />', '244,820 square kilometres', '62,348,447', 'GB', 'United Kingdom', 'London', '<a href="/continent/EU">EU</a>', '.uk', 'GBP', 'Pound', '44', '@# #@@|@## #@@|@@# #@@|@@## #@@|@#@ #@@|@@#@ #@@|GIR0AA', '^(([A-Z]\\d{2}[A-Z]{2})|([A-Z]\\d{3}[A-Z]{2})|([A-Z]{2}\\d{2}[A-Z]{2})|([A-Z]{2}\\d{3}[A-Z]{2})|([A-Z]\\d[A-Z]\\d[A-Z]{2})|([A-Z]{2}\\d[A-Z]\\d[A-Z]{2})|(GIR0AA))$', 'en-GB,cy-GB,gd', '<div><a href="/iso/IE">IE </a></div>'] >>>
從上述結果看出，多個國家屬性都使用了< td class=”w2p_fw” >標簽。要想分離出面積屬性，我們可以只選擇其中的第二個元素，如下所示:
>>> re.findall('<td class="w2p_fw">(.*?)</td>', html)[1] '244,820 square kilometres'
雖然現在可以使用這個方案，但是如果網頁發生變化，該方案很可能就會失效。比如表格發生了變化，去除了第二行中的國土面積數據。如果我們只在現在抓取數據，就可以忽略這種未來可能發生的變化。但是，如果我們希望未來還能再次抓取該數據，就需要給出更加健壯的解決方案，從而盡可能避免這種布局變化所帶來的影響。想要該正則表達式更加健壯，我們可以將其父元素< tr >也加入進來。由於該元素具有ID屬性，所以應該是唯一的。
>>> re.findall('<tr id="places_area__row"><td class="w2p_fl"><label for="places_area" id="places_area__label">Area: </label></td><td class="w2p_fw">(.*?)</td>', html) ['244,820 square kilometres']
這個迭代版本看起來更好一些，但是網頁更新還有很多其他方式，同樣可以讓該正則表達式無法滿足。比如，將雙引號變為單引號，< td >標簽之間添加多余的空格，或是變更area_label等。下面是嘗試支持這些可能性的改進版本。
>>> re.findall('<tr id="places_area__row">.*?<td\s*class=["\']w2p_fw["\']>(.*?)</td>',html)['244,820 square kilometres']
雖然該正則表達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。此外，還有一些微小的布局變化也會使該正則表達式無法滿足，比如在< td >標簽里添加title屬性。
從本例中可以看出，正則表達式為我們提供了抓取數據的快捷方式，但是，該方法過於脆弱，容易在網頁更新后出現問題。幸好還有一些更好的解決方案，后期將會介紹。
2. Beautiful Soup
Beautiful Soup是一個非常流行的 Python 模塊。該模塊可以解析網頁，並提供定位內容的便捷接口。如果你還沒有安裝該模塊，可以使用下面的命令安裝其最新版本(需要先安裝 pip，請自行百度):
pip install beautifulsoup4
使用 Beautiful Soup 的第一步是將已下載的 HTML 內容解析為 soup 文檔。由於大多數網頁都不具備良好的 HTML格式，因此 Beautiful Soup 需要對其實際格式進行確定。例如，在下面這個簡單網頁的列表中，存在屬性值兩側引號缺失和標簽未閉合的問題。
<ul class=country> <li>Area <li>Population </ul>
如果 Population 列表項被解析為 Area 列表項的子元素，而不是並列的兩個列表項的話，我們在抓取時就會得到錯誤的結果。下面讓我們看一下 Beautiful Soup 是如何處理的。
>>> from bs4 import BeautifulSoup
>>> broken_html = '<ul class=country><li>Area<li>Population</ul>' >>> # parse the HTML >>> soup = BeautifulSoup(broken_html, 'html.parser') >>> fixed_html = soup.prettify() >>> print fixed_html <ul class="country"> <li> Area <li> Population </li> </li> </ul>從上面的執行結果中可以看出，Beautiful Soup 能夠正確解析缺失的引號並閉合標簽。現在可以使用 find() 和 find_all() 方法來定位我們需要的元素了。
>>> ul = soup.find('ul', attrs={'class':'country'})
>>> ul.find('li') # return just the first match
<li>Area<li>Population</li></li> >>> ul.find_all('li') # return all matches [<li>Area<li>Population</li></li>, <li>Population</li>]
Note: 由於不同版本的Python內置庫的容錯能力有所區別，可能處理結果和上述有所不同，具體請參考: https://www.crummy.com/software/BeautifulSoup/bs4/doc/#installing-a-parser。想了解全部方法和參數，可以查閱 Beautiful Soup 的 官方文檔
下面是使用該方法抽取示例國家面積數據的完整代碼。
>>> from bs4 import BeautifulSoup >>> import urllib2 >>> url = 'http://example.webscraping.com/view/United-Kingdom-239' >>> html = urllib2.urlopen(url).read() >>> # locate the area row >>> tr = soup.find(attrs={'id':'places_area__row'}) >>> # locate the area tag >>> td = tr.find(attrs={'class':'w2p_fw'}) >>> area = td.text # extract the text from this tag >>> print area 244,820 square kilometres
這段代碼雖然比正則表達式的代碼更加復雜，但更容易構造和理解。而且，像多余的空格和標簽屬性這種布局上的小變化，我們也無需再擔心了。
3. Lxml
Lxml 是基於 libxml2 這一 XML 解析庫的 Python 封裝。該模塊使用 C語言 編寫，解析速度比 Beautiful Soup 更快，不過安裝過程也更為復雜。最新的安裝說明可以參考 http://lxml.de/installation.html .**
和 Beautiful Soup 一樣，使用 lxml 模塊的第一步也是將有可能不合法的 HTML 解析為統一格式。下面是使用該模塊解析一個不完整 HTML 的例子:
>>> import lxml.html
>>> broken_html = '<ul class=country><li>Area<li>Population</ul>' >>> # parse the HTML >>> tree = lxml.html.fromstring(broken_html) >>> fixed_html = lxml.html.tostring(tree, pretty_print=True) >>> print fixed_html <ul class="country"> <li>Area</li> <li>Population</li> </ul>
同樣地，lxml 也可以正確解析屬性兩側缺失的引號，並閉合標簽，不過該模塊沒有額外添加 < html > 和 < body > 標簽。
解析完輸入內容之后，進入選擇元素的步驟，此時 lxml 有幾種不同的方法，比如 XPath 選擇器和類似 Beautiful Soup 的 find() 方法。不過，后續我們將使用 CSS 選擇器，因為它更加簡潔，並且能夠在解析動態內容時得以復用。此外，一些擁有 jQuery 選擇器相關經驗的讀者會對其更加熟悉。
下面是使用 lxml 的 CSS 選擇器抽取面積數據的示例代碼:
>>> import urllib2 >>> import lxml.html >>> url = 'http://example.webscraping.com/view/United-Kingdom-239' >>> html = urllib2.urlopen(url).read() >>> tree = lxml.html.fromstring(html) >>> td = tree.cssselect('tr#places_area__row > td.w2p_fw')[0] # *行代碼 >>> area = td.text_content() >>> print area 244,820 square kilometres
*行代碼首先會找到 ID 為 places_area__row 的表格行元素，然后選擇 class 為 w2p_fw 的表格數據子標簽。
CSS 選擇器表示選擇元素所使用的模式，下面是一些常用的選擇器示例:
選擇所有標簽: *
選擇 <a> 標簽: a 選擇所有 class="link" 的元素: .link 選擇 class="link" 的 <a> 標簽: a.link 選擇 id="home" 的 <a> 標簽: a#home 選擇父元素為 <a> 標簽的所有 <span> 子標簽: a > span 選擇 <a> 標簽內部的所有 <span> 標簽: a span 選擇 title 屬性為"Home"的所有 <a> 標簽: a[title=Home]
W3C 已提出 CSS3 規范，其網址為 https://www.w3.org/TR/2011/REC-css3-selectors-20110929/
Lxml 已經實現了大部分 CSS3 屬性，其不支持的功能可以參見: https://cssselect.readthedocs.io/en/latest/ .
Note: lxml在內部的實現中，實際上是將 CSS 選擇器轉換為等價的 XPath 選擇器。
4. 性能對比
在以下這段代碼中，每個爬蟲都會執行 1000 次，每次執行都會檢查抓取結果是否正確，然后打印總用時。
# -*- coding: utf-8 -*- import csv import time import urllib2 import re import timeit from bs4 import BeautifulSoup import lxml.html FIELDS = ('area', 'population', 'iso', 'country', 'capital', 'continent', 'tld', 'currency_code', 'currency_name', 'phone', 'postal_code_format', 'postal_code_regex', 'languages', 'neighbours') def regex_scraper(html): results = {} for field in FIELDS: results[field] = re.search('<tr id="places_{}__row">.*?<td class="w2p_fw">(.*?)</td>'.format(field), html).groups()[0] return results def beautiful_soup_scraper(html): soup = BeautifulSoup(html, 'html.parser') results = {} for field in FIELDS: results[field] = soup.find('table').find('tr', id='places_{}__row'.format(field)).find('td', class_='w2p_fw').text return results def lxml_scraper(html): tree = lxml.html.fromstring(html) results = {} for field in FIELDS: results[field] = tree.cssselect('table > tr#places_{}__row > td.w2p_fw'.format(field))[0].text_content() return results def main(): times = {} html = urllib2.urlopen('http://example.webscraping.com/view/United-Kingdom-239').read() NUM_ITERATIONS = 1000 # number of times to test each scraper for name, scraper in ('Regular expressions', regex_scraper), ('Beautiful Soup', beautiful_soup_scraper), ('Lxml', lxml_scraper): times[name] = [] # record start time of scrape start = time.time() for i in range(NUM_ITERATIONS): if scraper == regex_scraper: # the regular expression module will cache results # so need to purge this cache for meaningful timings re.purge() # *行代碼 result = scraper(html) # check scraped result is as expected assert(result['area'] == '244,820 square kilometres') times[name].append(time.time() - start) # record end time of scrape and output the total end = time.time() print '{}: {:.2f} seconds'.format(name, end - start) writer = csv.writer(open('times.csv', 'w')) header = sorted(times.keys()) writer.writerow(header) for row in zip(*[times[scraper] for scraper in header]): writer.writerow(row) if __name__ == '__main__': main()
注意，我們在 *行代碼 中調用了 re.purge() 方法。默認情況下，正則表達式會緩存搜索結果，為了公平起見，我們需要使用該方法清除緩存。
下面是我的電腦運行該腳本的結果:
由於硬件條件的區別，不同電腦的執行結果也會存在一定差異。不過，每種方法之間的相對差異應當是相當的。從結果中可以看出，在抓取我們的示例網頁時，Beautiful Soup 比其他兩種方法慢了超過 7 倍之多。實際上這一結果是符合預期的，因為 lxml 和正則表達式模塊都是 C 語言編寫的，而 Beautiful Soup 則是純 Python 編寫的。一個有趣的事實是，lxml 表現的和正則表達式差不多好。由於 lxml 在搜索元素之前，必須將輸入解析為內部格式，因此會產生額外的開銷。而當抓取同一網頁的多個特征時，這種初始化解析產生的開銷就會降低，lxml 也就更具競爭力，所以說，lxml 是一個強大的模塊。
5. 總結
三種網頁抓取方法優缺點:
| 抓取方法 | 性能 | 使用難度 | 安裝難度 |
|---|---|---|---|
| 正則表達式 | 快 | 困難 | 簡單(內置模塊) |
| Beautiful Soup | 慢 | 簡單 | 簡單(純Python) |
| Lxml | 快 | 簡單 | 相對困難 |
如果你的爬蟲瓶頸是下載網頁，而不是抽取數據的話，那么使用較慢的方法（如 Beautiful Soup）也不成問題。正則表達式在一次性抽取中非常有用，此外還可以避免解析整個網頁帶來的開銷，如果只需抓取少量數據，並且想要避免額外依賴的話，那么正則表達式可能更加適合。不過，通常情況下，lxml 是抓取數據的最好選擇，這是因為它不僅速度快，功能也更加豐富，而正則表達式和 Beautiful Soup只在某些特定場景下有用。
轉自：https://blog.csdn.net/oscer2016/article/details/70209144