輕鬆搞定python爬蟲，秒懂資料抓取。

#匹配國家面積

context=re.findall(r'

(.*?)

',areas)[1

] print context

執行結果:

正規表示式提供了抓取資料的快捷方式，但是該方法過於脆弱，容易在網頁更新後出現問題。

beautful soup

beautful soup是乙個非常流行的python模組。該模組可以解析網頁，並提供定位內容的便捷介面。

安裝

pip install beautifulsoup4 --user

import lxml.html

broken_html='
'tree=lxml.html.fromstring(broken_html)
fixed_html=lxml.html.tostring(tree,pretty_print=true)
print fixed_html
""""""

import re

import urllib2
import urlparse
from
bs4 import beautifulsoup
import lxml.html
import time##
##獲取網頁內容
def download(url,user_agent='
wswp
',proxy=none,num_retries=2
):    print 
'downloading:
',url
headers=
request=urllib2.request(url,headers=headers)
opener=urllib2.build_opener()
ifopener:
proxy_params=
opener.add_handler(urllib2.proxyhandler(proxy_params))
try:
html=urllib2.urlopen(request).read()
except urllib2.urlerror 
ase:
print 
'download:
',e.reason
html=none
if num_retries>0
:            
if hasattr(e,'
code
') and 500
<=e.code<600
:                
return download(url,num_retries-1
)    
return
html
#使用正規表示式匹配
def re_scraper(html):
results={}
results[
'area
']=re.search('
.*?(.*?)
',html).groups()[0
]    
return
results
#使用beautifulsoup匹配
def bs_scraper(html):
soup=beautifulsoup(html)
results={}
results[
'area
']=soup.find('
table
').find('
tr',id='
places_area__row
').find('
td', class_='
w2p_fw
').string
return
results
#使用cssselect選擇器匹配
def lxml_scraper(html):
tree=lxml.html.fromstring(html)
results={}
conf=tree.cssselect('
table > tr#places_area__row > td.w2p_fw
')[0
].text_content()
results[
'area
']=conf
return
results
#計算獲取時間
#每個**爬取的次數
num_iterations=1000
html=download('
')for name,scraper in [('
re',re_scraper),('
bs',bs_scraper),('
lxml
',lxml_scraper)]:
#開始的時間
start=time.time()
for i in
range(num_iterations):
if scraper==re_scraper:
#預設情況下,正規表示式模組會快取搜尋結果,為了使對比條件更一致,re.purge()方法清除快取
re.purge()
result=scraper(html)
#檢查結果
assert(result[
'area
']=='
647,500 square kilometres')
#結束時間
end=time.time()
print 
'%s: %.2f seconds
' %(name,end-start)

由於lxml和正規表示式都是用c語言寫的,所以效果比用python寫的beautifulsoup要好.由於lxml在搜尋之前必須輸入解析為內部格式,所以會產生額外的開銷.而爬取同一網頁時這種開銷會降低.

方法總結

抓取方法 -效能- 使用難度 -安裝難度

正規表示式- 快 -困難- 簡單(內建)

beautiful soup -慢 -簡單- 簡單(純python)

lxml 快 -簡單 -相對困難

如果是下在網頁,而不是抽取資料的話,那麼使用beautiful soup,如果只需抓取少量資料,並且避免額外依賴的話,選擇正,通常情況下使用lxml比較合適.

輕鬆搞定python系列

輕鬆搞定python 變數與數 算 輕輕鬆鬆搞定python 輕鬆搞定python 字串與序列 輕鬆搞定python 字典與集合變數引用 輕鬆搞定python 流程控制與函式 程式或者叫 本質上就是一堆讓計算機幹活的指令，每一條指令就是乙個幹活步驟。指令讓計算機幹什麼就幹什麼，沒有指令，計算機就不知...

搞定Python網路爬蟲，吃裡爬外？

資料分析 多人學習python，不知道從何學起。很多人學習python，掌握了基本語法過後，不知道在 尋找案例上手。很多已經做案例的人，卻不知道如何去學習更加高深的知識。那麼針對這三類人，我給大 qq群 1057034340 大資料時代，要想進行資料分析，首先要有資料 單靠公司那幾條毛毛雨 資料 分...

秒懂 python 閉包和裝飾器

定義 函式內的屬性，都是有生命週期的都在函式執行期間存活。內部函式對外部函式作用域裡的變數的引用 閉包內的閉包函式私有化了變數，完成了資料的封裝，類似於物件導向。def fun a 1def fun1 num print this is fun1 print num a return fun1 if...