介绍python 数据抓取三种方法-Python教程-PHP中文网

介绍python 数据抓取三种方法

coldplay.xixi

发布： 2021-02-13 10:30:07

转载

5036人浏览过

免费学习推荐：python视频教程

三种数据抓取的方法

正则表达式（re库）
BeautifulSoup（bs4）
lxml

*利用之前构建的下载网页函数，获取目标网页的html，我们以https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/为例，获取html。

在这里插入图片描述

from get_html import download

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

登录后复制

*假设我们需要爬取该网页中的国家名称和概况，我们依次使用这三种数据抓取的方法实现数据抓取。
1.正则表达式

立即学习“Python免费学习笔记（深入）”；

from get_html import downloadimport 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listsurvey_data = re.findall('<tr><td bgcolor="#FFFFFF" id="wzneirong">(.*?)</td></tr>', page_content)survey_info_list = re.findall('<p>　　(.*?)</p>
                    <div class="aritcle_card">
                        <a class="aritcle_card_img" href="/xiazai/code/11165">
                            <img src="https://img.php.cn/upload/webcode/000/000/017/176518440895337.jpg" alt="PHP房产程序[BBWPS]">
                        </a>
                        <div class="aritcle_card_info">
                            <a href="/xiazai/code/11165">PHP房产程序[BBWPS]</a>
                            <p>[PHP房产程序|BBWPS]功能介绍 1、5种信息类别发布：出租、求租、出售、求购、楼盘信息,支持会员发布信息审核； 2、灵活的信息参数设置； 3、充足的信息字段； 4、简单易用的发布/编辑功能，支持配图上传； 5、灵活的信息管理功能； 6、信息输出伪静态，方便搜索引擎抓取数据； 7、支持RSS输出； 8、内置数据高速缓冲技术，可灵活设置缓冲功能是否启动及过期时间； 9、支持 Google 地图</p>
                            <div class="">
                                <img src="/static/images/card_xiazai.png" alt="PHP房产程序[BBWPS]">
                                <span>0</span>
                            </div>
                        </div>
                        <a href="/xiazai/code/11165" class="aritcle_card_btn">
                            <span>查看详情</span>
                            <img src="/static/images/cardxiayige-3.png" alt="PHP房产程序[BBWPS]">
                        </a>
                    </div>
                ', survey_data[0])survey_info = ''.join(survey_info_list)print(country[0],survey_info)

登录后复制

2.BeautifulSoup（bs4）

from get_html import downloadfrom bs4 import BeautifulSoup

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

登录后复制

3.lxml

from get_html import downloadfrom lxml import etree #解析树url = 'https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/'page_content = download(url)selector = etree.HTML(page_content)#可进行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='')

登录后复制

运行结果：
在这里插入图片描述
最后，引用《用python写网络爬虫》中对三种方法的性能对比，如下图：

仅供参考。