用Python寫爬蟲工具在現(xiàn)在是一種司空見慣的事情，每個(gè)人都希望能夠?qū)懸欢纬绦蛉セヂ?lián)網(wǎng)上扒一點(diǎn)資料下來，用于數(shù)據(jù)分析或者干點(diǎn)別的事情。

[[287132]]

我們知道，爬蟲的原理無非是把目標(biāo)網(wǎng)址的內(nèi)容下載下來存儲到內(nèi)存中，這個(gè)時(shí)候它的內(nèi)容其實(shí)是一堆HTML，然后再對這些HTML內(nèi)容進(jìn)行解析，按照自己的想法提取出想要的數(shù)據(jù)，所以今天我們主要來講四種在Python中解析網(wǎng)頁HTML內(nèi)容的方法，各有千秋，適合在不同的場合下使用。

首先我們隨意找到一個(gè)網(wǎng)址，這時(shí)我腦子里閃過了豆瓣這個(gè)網(wǎng)站。嗯，畢竟是用Python構(gòu)建的網(wǎng)站，那就拿它來做示范吧。

我們找到了豆瓣的Python爬蟲小組主頁，看起來長成下面這樣。 

讓我們用瀏覽器開發(fā)者工具看看HTML代碼，定位到想要的內(nèi)容上，我們想要把討論組里的帖子標(biāo)題和鏈接都給扒出來。 

通過分析，我們發(fā)現(xiàn)實(shí)際上我們想要的內(nèi)容在整個(gè)HTML代碼的 這個(gè)區(qū)域里，那我們只需要想辦法把這個(gè)區(qū)域內(nèi)的內(nèi)容拿出來就差不多了。

現(xiàn)在開始寫代碼。

1: 正則表達(dá)式大法

正則表達(dá)式通常被用來檢索、替換那些符合某個(gè)模式的文本，所以我們可以利用這個(gè)原理來提取我們想要的信息。

參考以下代碼。 

在代碼第6行和第7行，需要手動(dòng)指定一下header的內(nèi)容，裝作自己這個(gè)請求是瀏覽器請求，否則豆瓣會視為我們不是正常請求會返回HTTP 418錯(cuò)誤。

在第7行我們直接用requests這個(gè)庫的get方法進(jìn)行請求，獲取到內(nèi)容后需要進(jìn)行一下編碼格式轉(zhuǎn)換，同樣是因?yàn)槎拱甑捻撁驿秩緳C(jī)制的問題，正常情況下，直接獲取requests content的內(nèi)容即可。

Python模擬瀏覽器發(fā)起請求并解析內(nèi)容代碼: 

url = 'https://www.douban.com/group/491607/'headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:71.0) Gecko/20100101 Firefox/71.0"}response = requests.get(url=url,headers=headers).content.decode('utf-8') 

正則的好處是編寫麻煩，理解不容易，但是匹配效率很高，不過時(shí)至今日有太多現(xiàn)成的HTMl內(nèi)容解析庫之后，我個(gè)人不太建議再手動(dòng)用正則來對內(nèi)容進(jìn)行匹配了，費(fèi)時(shí)費(fèi)力。

主要解析代碼: 

re_div = r'<table\s+class=\"olt\">[\W|\w]+</table>'pattern = re.compile(re_div)content = re.findall(pattern, str(response))re_link = r'<a .*?>(.*?)</a>'mm = re.findall(re_link, str(content), re.S|re.M)urls=re.findall(r"<a.*?href=.*?<\/a>",  str(content), re.I|re.S|re.M) 

2: requests-html

這個(gè)庫其實(shí)是我個(gè)人最喜歡的庫，作則是編寫requests庫的網(wǎng)紅程序員 Kenneth Reitz，他在requests的基礎(chǔ)上加上了對html內(nèi)容的解析，就變成了requests-html這個(gè)庫了。

下面我們來看看范例： 

我喜歡用requests-html來解析內(nèi)容的原因是因?yàn)樽髡咭罁?jù)幫我高度封裝過了，連請求返回內(nèi)容的編碼格式轉(zhuǎn)換也自動(dòng)做了，完全可以讓我的代碼邏輯簡單直接，更專注于解析工作本身。

主要解析代碼: 

links = response.html.find('table.olt', first=True).find('a') 

安裝途徑: pip install requests-html

3: BeautifulSoup

大名鼎鼎的 BeautifulSoup庫，出來有些年頭了，在Pyhton的HTML解析庫里屬于重量級的庫，其實(shí)我評價(jià)它的重量是指比較臃腫，大而全。

還是來先看看代碼。 

soup = BeautifulSoup(response, 'html.parser')links = soup.findAll("table", {"class": "olt"})[0].findAll('a') 

BeautifulSoup解析內(nèi)容同樣需要將請求和解析分開，從代碼清晰程度來講還將就，不過在做復(fù)雜的解析時(shí)代碼略顯繁瑣，總體來講可以用，看個(gè)人喜好吧。

安裝途徑: pip install beautifulsoup4

4: lxml的XPath

lxml這個(gè)庫同時(shí) 支持HTML和XML的解析，支持XPath解析方式，解析效率挺高，不過我們需要熟悉它的一些規(guī)則語法才能使用，例如下圖這些規(guī)則。 

來看看如何用XPath解析內(nèi)容。

主要解析代碼: 

content = doc.xpath("//table[@class='olt']/tr/td/a") 

如上圖，XPath的解析語法稍顯復(fù)雜，不過熟悉了語法的話也不失為一種優(yōu)秀的解析手段，因?yàn)椤?/p>

安裝途徑: pip install lxml

四種方式總結(jié)

正則表達(dá)式匹配不推薦，因?yàn)橐呀?jīng)有很多現(xiàn)成的庫可以直接用，不需要我們?nèi)ゴ罅慷x正則表達(dá)式，還沒法復(fù)用，在此僅作參考了解。

BeautifulSoup是基于DOM的方式，簡單的說就是會在解析時(shí)把整個(gè)網(wǎng)頁內(nèi)容加載到DOM樹里，內(nèi)存開銷和耗時(shí)都比較高，處理海量內(nèi)容時(shí)不建議使用。不過BeautifulSoup不需要結(jié)構(gòu)清晰的網(wǎng)頁內(nèi)容，因?yàn)樗梢灾苯觙ind到我們想要的標(biāo)簽，如果對于一些HTML結(jié)構(gòu)不清晰的網(wǎng)頁，它比較適合。

XPath是基于SAX的機(jī)制來解析，不會像BeautifulSoup去加載整個(gè)內(nèi)容到DOM里，而是基于事件驅(qū)動(dòng)的方式來解析內(nèi)容，更加輕巧。不過XPath要求網(wǎng)頁結(jié)構(gòu)需要清晰，而且開發(fā)難度比DOM解析的方式高一點(diǎn)，推薦在需要解析效率時(shí)使用。

requests-html 是比較新的一個(gè)庫，高度封裝且源碼清晰，它直接整合了大量解析時(shí)繁瑣復(fù)雜的操作，同時(shí)支持DOM解析和XPath解析兩種方式，靈活方便，這是我目前用得較多的一個(gè)庫。

除了以上介紹到幾種網(wǎng)頁內(nèi)容解析方式之外還有很多解析手段，在此不一一進(jìn)行介紹了。

寫一個(gè)爬蟲，最重要的兩點(diǎn)就是如何抓取數(shù)據(jù)，如何解析數(shù)據(jù)，我們要活學(xué)活用，在不同的時(shí)候利用最有效的工具去完成我們的目的。