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。
|
1
2
3
4
|
from get_html import download
url = 'https://guojiadiqu.bmcx.com/afg__guojiayudiqu/'
page_content = download(url)
|
*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
|
1
2
3
4
5
6
7
8
9
10
|
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)
|
2.beautifulsoup（bs4）
|
1
2
3
4
5
6
7
8
9
10
11
|
from get_html import download
from 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'}).text
print(country,survey_info)
|
3.lxml
|
1
2
3
4
5
6
7
8
9
10
11
12
|
from get_html import download
from 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='')
|
运行结果：
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。
总结
到此这篇关于python数据抓取3种方法的文章就介绍到这了,更多相关python数据抓取内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/heheyangxyy/article/details/113730886