Python爬蟲

Author：Iouwill

Machine?Learning Lab

分享一篇往日舊文章，非常實用。

? ? ?對于大多數(shù)朋友而言，爬蟲絕對是學(xué)習(xí)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(xì)節(jié)處理上積累一些經(jīng)驗都可以成功入門。本文想針對某一網(wǎng)頁對python基礎(chǔ)爬蟲的兩大解析庫（BeautifulSoup和lxml）和幾種信息提取實現(xiàn)方法進行分析，以開python爬蟲之初見。

基礎(chǔ)爬蟲的固定模式

????筆者這里所談的基礎(chǔ)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(shù)的爬蟲方法。一般而言，基礎(chǔ)爬蟲的兩大請求庫urllib和requests中requests通常為大多數(shù)人所鐘愛，當(dāng)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(chǔ)上也效率提高。就基礎(chǔ)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(wǎng)頁爬蟲的四種實現(xiàn)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(biāo)題和鏈接，并將其組合為一個字典的結(jié)構(gòu)打印出來。首先查看HTML源碼確定新聞標(biāo)題信息組織形式。

????可以目標(biāo)信息存在于em標(biāo)簽下a標(biāo)簽內(nèi)的文本和href屬性中。可直接利用requests庫構(gòu)造請求，并用BeautifulSoup或者lxml進行解析。

• 方式一：requests+BeautifulSoup+select css選擇器

# 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(biāo)題': title,'鏈接': link ? ?})

????很常規(guī)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(biāo)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 etreeheaders = { ? ?'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(biāo)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 HTMLheaders = {'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(biāo)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?dāng)?shù)據(jù)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(wǎng)頁的數(shù)據(jù)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(wǎng)頁結(jié)構(gòu)都有所涉獵，自然經(jīng)驗豐富，水到渠成。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準(zhǔn)備讀博士請說明）：

總結(jié)

以上是生活随笔為你收集整理的【Python基础】Python爬虫的两套解析方法和四种信息提取方式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。