Python爬蟲的兩套解析方法和四種爬蟲實現

【本文轉載自微信公眾號：數據科學家養成記，作者：louwill，轉載授權請聯系原作者】 

對于大多數朋友而言，爬蟲絕對是學習python的最好的起手和入門方式。因為爬蟲思維模式固定，編程模式也相對簡單，一般在細節處理上積累一些經驗都可以成功入門。本文想針對某一網頁對python基礎爬蟲的兩大解析庫（BeautifulSoup和lxml）和幾種信息提取實現方法進行分析，以開python爬蟲之初見。

基礎爬蟲的固定模式

筆者這里所談的基礎爬蟲，指的是不需要處理像異步加載、驗證碼、代理等高階爬蟲技術的爬蟲方法。一般而言，基礎爬蟲的兩大請求庫urllib和requests中requests通常為大多數人所鐘愛，當然urllib也功能齊全。兩大解析庫BeautifulSoup因其強大的HTML文檔解析功能而備受青睞，另一款解析庫lxml在搭配xpath表達式的基礎上也效率提高。就基礎爬蟲來說，兩大請求庫和兩大解析庫的組合方式可以依個人偏好來選擇。

筆者喜歡用的爬蟲組合工具是：

• requests+BeautifulSoup

• requests+lxml

同一網頁爬蟲的四種實現方式

    筆者以騰訊新聞首頁的新聞信息抓取為例。
    首頁外觀如下：

比如說我們想抓取每個新聞的標題和鏈接，并將其組合為一個字典的結構打印出來。首先查看HTML源碼確定新聞標題信息組織形式。

可以目標信息存在于em標簽下a標簽內的文本和href屬性中。可直接利用requests庫構造請求，并用BeautifulSoup或者lxml進行解析。

• 方式一：requests+BeautifulSoup+select# select method import requests from bs4 import BeautifulSoup headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'} url = 'http://news.qq.com/' Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml') em = Soup.select('em[class="f14 l24"] a') for i in em:    title = i.get_text()    link = i['href']    print({'標題': title,           '鏈接': link    })

   很常規的處理方式，抓取效果如下：

  

  
  

  • 方式二：requests+BeautifulSoup+find_all進行信息提取

  # find_all method import requests from bs4 import BeautifulSoup
  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
  url = 'http://news.qq.com/' Soup = BeautifulSoup(requests.get(url=url, headers=headers).text.encode("utf-8"), 'lxml')
  em = Soup.find_all('em', attrs={'class': 'f14 l24'})for i in em:
      title = i.a.get_text()
      link = i.a['href']
      print({'標題': title,            '鏈接': link
      })

  同樣是requests+BeautifulSoup的爬蟲組合，但在信息提取上采用了find_all的方式。效果如下：

  

  
  

  • 方式三：requests+lxml/etree+xpath表達式

  # lxml/etree method import requests from lxml import etree
  
  headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
  url = 'http://news.qq.com/' html = requests.get(url = url, headers = headers)
  con = etree.HTML(html.text)
  
  title = con.xpath('//em[@class="f14 l24"]/a/text()')
  link = con.xpath('//em[@class="f14 l24"]/a/@href') for i in zip(title, link):
      print({'標題': i[0],
             '鏈接': i[1]
      })

  使用lxml庫下的etree模塊進行解析，然后使用xpath表達式進行信息提取，效率要略高于BeautifulSoup+select方法。這里對兩個列表的組合采用了zip方法。效果如下：

  

  
  

  • 方式四：requests+lxml/html/fromstring+xpath表達式

  # lxml/html/fromstring method import requests import lxml.html as HTML
  
  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}
  url = 'http://news.qq.com/' con = HTML.fromstring(requests.get(url = url, headers = headers).text)
  title = con.xpath('//em[@class="f14 l24"]/a/text()')
  link = con.xpath('//em[@class="f14 l24"]/a/@href') for i in zip(title, link):
      print({'標題': i[0],'鏈接': i[1]
      })

  跟方法三類似，只是在解析上使用了lxml庫下的html.fromstring模塊。抓取效果如下：

  

  
  

  很多人覺得爬蟲有點難以掌握，因為知識點太多，需要懂前端、需要python熟練、還需要懂數據庫，更不用說正則表達式、XPath表達式這些。其實對于一個簡單網頁的數據抓取，不妨多嘗試幾種抓取方案，舉一反三，也更能對python爬蟲有較深的理解。長此以往，對于各類網頁結構都有所涉獵，自然經驗豐富，水到渠成。