Python 之 資料抓取三種方法

1. 正則表示式（re庫）
2. BeautifulSoup（bs4）
3. lxml

利用之前構建的下載網頁函式，獲取目標網頁的html。

例子

我們以https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/為例，獲取html。

from get_html import download
 
url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)

假設我們需要爬取該網頁中的國家名稱和概況，我們依次使用這三種資料抓取的方法實現資料抓取。

正則表示式

from get_html import download
import re

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)
country = re.findall('class="h2dabiaoti">(.*?)</h2>', page_content) #注意返回的是list
survey_data = re.findall('<tr><td bgcolor="#FFFFFF" id="wzneirong">(.*?)</td></tr>', page_content)
survey_info_list = re.findall('<p>　　(.*?)</p>', survey_data[0])
survey_info = ''.join(survey_info_list)
print(country[0],survey_info)

 

BeautifulSoup（bs4）

from get_html import download
from bs4 import BeautifulSoup

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
html = download(url)
#建立 beautifulsoup 物件
soup = BeautifulSoup(html,"html.parser")
#搜尋
country = soup.find(attrs={'class':'h2dabiaoti'}).text
survey_info = soup.find(attrs={'id':'wzneirong'}).text
print(country,survey_info)

 

lxml

from get_html import download
from lxml import etree #解析樹

url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'
page_content = download(url)
selector = etree.HTML(page_content)#可進行xpath解析
country_select = selector.xpath('//*[@id="main_content"]/h2') #返回列表
for country in country_select:
 print(country.text)
survey_select = selector.xpath('//*[@id="wzneirong"]/p')
for survey_content in survey_select:
 print(survey_content.text,end='')

執行結果

對比

引用《用python寫網路爬蟲》中對三種方法的效能對比，如下圖：

最後加個自己使用後得一些理解：

1. re：無敵，但是比較複製，各種排序什麼的要熟練，熟練後基本全部資料都可以爬。
2. BeautifulSoup（bs4）：使用雖然簡單，但侷限性個人認為比較大，因為很多網頁的元素不是固定的，還有可能是動態class和id。
3. lxml ：問題和 BeautifulSoup（bs4）一樣，動態class和id的問題。

感謝原博：https://www.jb51.net/article/205596.htm