Python爬虫解析网页的三种方法，lxml、BeautifulSoup、re案例！

常用的类库为lxml，BeautifulSoup，re(正则)

学习Python中有不明白推荐加入交流群
号：960410445
群里有志同道合的小伙伴，互帮互助，
群里有不错的视频学习教程和PDF！

	以获取豆瓣电影正在热映的电影名为例,url='https://movie.douban.com/cinema/nowplaying/beijing/'

网页分析

部分网页源码

<ul class="lists">
 <li
 id="3878007"
 class="list-item"
 data-title="海王"
 data-score="8.2"
 data-star="40"
 data-release="2018"
 data-duration="143分钟"
 data-region="美国 澳大利亚"
 data-director="温子仁"
 data-actors="杰森·莫玛 / 艾梅柏·希尔德 / 威廉·达福"
 data-category="nowplaying"
 data-enough="True"
 data-showed="True"
 data-votecount="105013"
 data-subject="3878007"
 >

分析可知我们要的电影名称信息在li标签的data-title属性里

下面开始写代码

爬虫源码展示

import requests
from lxml import etree # 导入库
from bs4 import BeautifulSoup
import re
import time
# 定义爬虫类
class Spider():
 def __init__(self):
 self.url = 'https://movie.douban.com/cinema/nowplaying/beijing/'
 self.headers = {
 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
 }
 r = requests.get(self.url,headers=self.headers)
 r.encoding = r.apparent_encoding
 self.html = r.text
 def lxml_find(self):
 '''用lxml解析'''
 start = time.time() # 三种方式速度对比
 selector = etree.HTML(self.html) # 转换为lxml解析的对象
 titles = selector.xpath('//li[@class="list-item"]/@data-title') # 这里返回的是一个列表
 for each in titles:
 title = each.strip() # 去掉字符左右的空格
 print(title)
 end = time.time()
 print('lxml耗时', end-start)
 def BeautifulSoup_find(self):
 '''用BeautifulSoup解析'''
 start = time.time()
 soup = BeautifulSoup(self.html, 'lxml') # 转换为BeautifulSoup的解析对象()里第二个参数为解析方式
 titles = soup.find_all('li', class_='list-item')
 for each in titles:
 title = each['data-title']
 print(title)
 end = time.time()
 print('BeautifulSoup耗时', end-start)
 def re_find(self):
 '''用re解析'''
 start = time.time()
 titles = re.findall('data-title="(.+)"',self.html)
 for each in titles:
 print(each)
 end = time.time()
 print('re耗时', end-start)
if __name__ == '__main__':
 spider = Spider()
 spider.lxml_find()
 spider.BeautifulSoup_find()
 spider.re_find()

输出结果

海王
无名之辈
无敌破坏王2：大闹互联网
狗十三
惊涛飓浪
毒液：致命守护者
憨豆特工3
神奇动物：格林德沃之罪.......................

代码说明

1. lxml

lxml是通过xpath来查找

使用前需使用调用ertee.HTML()方法('()'内填HTML代码)生成一个可查找的对象

常用xpath语法如下

//两个斜杠为向下查找孙子标签

/一个斜杠为查找直接儿子标签

[]方括号内填标签属性,如查找class属性为name的a标签,格式为a[@class="name"]

/text()取出标签的内容,如查找网页中的 <a class="name">KAINHUCK</a> 中的KAINHUCK,格式为 //a[@class="name"]/text()

/@attr取出标签的属性,如查找网页中的 <a class="name">KAINHUCK</a> 中的class属性值name,格式为 //a[@class="name"]/@class

2. BeautifulSoup

使用前需先将HTML转换为课查找对象,格式为

BeautifulSoup(html, 'lxml')

html 为HTML代码, 后面的参数为转换方法(其他方法有 'html.parser' , 'html5lib' , 推荐使用 'lxml')

查找方法

info = find('a', id='kain') 查找第一个id属性为kain的a标签,并存进info变量中(其他标签同理)

find_all('a', class_='name')查找所有class属性为name的a标签(注: class 属性需写成 'class_')

info.p.text获取第一个id属性为kain的a标签下的p标签的内容(info为上面例子里的info,其他同理)

info.p['name']获取第一个id属性为kain的a标签下的p标签的name属性值(info为上面例子里的info,其他同理)

当代码中有很多同级标签时

<p class='info-list'>
 <a class='name'>text1</a>
 <a class='name'>text2</a>
 <a class='name'>text3</a>
 <a class='name'>text4</a>
 </p>

示例代码如下

from bs4 import BeautifulSoup
html = '''
 <p class='info-list'>
 <a class='name'>text1</a>
 <a class='name'>text2</a>
 <a class='name'>text3</a>
 <a class='name'>text4</a>
 </p>
'''
soup = BeautifulSoup(html, 'lxml')
texts = soup.find('p', class_='info-list')
print(texts.contents[1].text) # 输出text1
print(texts.contents[2].text) # 输出text2
print(texts.contents[3].text) # 输出text3
print(texts.contents[4].text) # 输出text4

注意:不是从0开始

3. re(正则表达式)

正则表达式内容较多,大家可以参考这里

总结

使用lxml查找时可以在目标网页按F12调出开发者窗口然后再在按Ctrl+f查找,在查找栏里输入你的xpath语法可以检查是否能找到对应内容

可以从看例子的输出中看出三种方法的速度

lxml耗时 0.007623910903930664
BeautifulSoup耗时 0.061043500900268555
re耗时 0.0004856586456298828

对以上三种最常用的解析网页的方法做个对比

Python爬虫解析网页的三种方法，lxml、BeautifulSoup、re案例！

综上,对于网页内容的解析,这里推荐新手使用lxml方法,而对速度有要求就使用正则表达式(入门有点困难)

Python爬虫解析网页的三种方法，lxml、BeautifulSoup、re案例！

猜你喜欢