詳解Python網絡爬蟲四大選擇器

小編這次要給大家分享的是詳解Python網絡爬蟲四大選擇器，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。

前幾天小編連續寫了四篇關于Python選擇器的文章，分別用正則表達式、BeautifulSoup、Xpath、CSS選擇器分別抓取京東網的商品信息。今天小編來給大家總結一下這四個選擇器，讓大家更加深刻的理解和熟悉Python選擇器。

一、正則表達式

正則表達式為我們提供了抓取數據的快捷方式。雖然該正則表達式更容易適應未來變化，但又存在難以構造、可讀性差的問題。當在爬京東網的時候，正則表達式如下圖所示：

利用正則表達式實現對目標信息的精準采集

此外 ，我們都知道，網頁時常會產生變更，導致網頁中會發生一些微小的布局變化時，此時也會使得之前寫好的正則表達式無法滿足需求，而且還不太好調試。當需要匹配的內容有很多的時候，使用正則表達式提取目標信息會導致程序運行的速度減慢，需要消耗更多內存。

二、BeautifulSoup

BeautifulSoup是一個非常流行的 Pyhon 模塊。該模塊可以解析網頁，并提供定位內容的便捷接口。通過'pip install beautifulsoup4'就可以實現該模塊的安裝了。

利用美麗的湯去提取目標信息

使用 BeautifulSoup的第一步是將己下載的 HTML 內容解析為 soup文檔。由 于大多 數網 頁都不具備良好的HTML 格式，因此BeautifulSoup需要對實際格式進行確定。BeautifulSoup能夠正確解析缺失的引號并閉合標簽，此外還會添加＜html ＞和＜body＞標簽使其成為完整的HTML文檔。通常使用find() 和find_all()方法來定位我們需要的元素。如果你想了解BeautifulSoup全部方法和參數，可以查閱BeautifulSoup的官方文檔。雖然BeautifulSoup在代碼的理解上比正則表達式要復雜一些，但是其更加容易構造和理解。

三、Lxml

Lxml模塊使用 C語言編寫，其解析速度比 BeautiflSoup更快，而且其安裝過程也更為復雜，在此小編就不贅述啦。XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。

Xpath

使用 lxml 模塊的第一步和BeautifulSoup一樣，也是將有可能不合法的HTML 解析為 統一格式。 雖然Lxml可以正確解析屬性兩側缺失的引號，并閉合標簽，不過該模塊沒有額外添加＜html ＞和＜body＞標簽 。

在線復制Xpath表達式可以很方便的復制Xpath表達式。但是通過該方法得到的Xpath表達式放在程序中一般不能用，而且長的沒法看。所以Xpath表達式一般還是要自己親自上手。

四、CSS

CSS選擇器表示選擇元素所使用 的模式。BeautifulSoup整合了CSS選擇器的語法和自身方便使用API。在網絡爬蟲的開發過程中，對于熟悉CSS選擇器語法的人，使用CSS選擇器是個非常方便的方法。

CSS選擇器

下面是一些常用的選擇器示例。

• 選擇所有標簽： ＊
• 選擇＜a＞標 簽： a
• 選擇所有class＝”link” 的元素： .l in k
• 選擇 class＝”link” 的＜a＞標簽： a.link
• 選擇 id= " home ” 的＜a＞標簽： a Jhome
• 選擇父元素為＜a＞標簽的所有＜ span＞子標簽： a > span
• 選擇＜a＞標簽內部的所有＜span＞標簽： a span
• 選擇title屬性為” Home ” 的所有＜a＞標簽： a [title=Home]

五、性能對比

lxml 和正則表達式模塊都是C語言編寫的，而BeautifulSoup則是純Python 編寫的。下表總結了每種抓取方法的優缺點。

相對困難需要注意的是。lxml在內部實現中，實際上是將CSS選擇器轉換為等價的Xpath選擇器。

六、總結

如果你的爬蟲瓶頸是下載網頁，而不是抽取數據的話，那么使用較慢的方法（如BeautifulSoup） 也不成問題。如果只需抓取少量數據，并且想要避免額外依賴的話，那么正則表達式可能更加適合。不過，通常情況下，l xml是抓取數據的最好選擇，這是因為該方法既快速又健壯，而正則表達式和BeautifulSoup只在某些特定場景下有用。

看完這篇關于詳解Python網絡爬蟲四大選擇器的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。