如何抓取别人网页的数据？3种网页抓取方法 _抓取

文章插图
3种抓取其中数据的方法。首先是正则表达式，然后是流行的BeautifulSoup模块，最后是强大的lxml模块。
1　正则表达式如果你对正则表达式还不熟悉，或是需要一些提示，那么你可以查阅http://docs.python.org/2/howto/regex.html获得完整介绍。即使你使用过其他编程语言的正则表达式，我依然推荐你一步一步温习一下Python中正则表达式的写法。
由于每章中都可能构建或使用前面章节的内容，因此我建议你按照类似本书代码库的文件结构进行配置。所有代码都可以从代码库的code目录中运行，以便导入工作正常。如果你希望创建一个不同的结构，请注意需要变更所有来自其他章的导入操作（比如下述代码中的from chp1.advanced_link_crawler）。
当我们使用正则表达式抓取国家（或地区）面积数据时，首先需要尝试匹配``元素中的内容，如下所示。
>>> import re>>> from chp1.advanced_link_crawler import download>>> url = 'http://example.python-scraping.com/view/UnitedKingdom-239'>>> html = download(url)>>> re.findall(r'(.*?)', html)['

', '244,820 square kilometres', '62,348,447', 'GB', 'United Kingdom', 'London', 'EU', '.uk', 'GBP', 'Pound', '44', '@# #@@|@## #@@|@@# #@@|@@## #@@|@#@ #@@|@@#@ #@@|GIR0AA', '^(([A-Z]d{2}[A-Z]{2})|([A-Z]d{3}[A-Z]{2})|([A-Z]{2}d{2} [A-Z]{2})|([A-Z]{2}d{3}[A-Z]{2})|([A-Z]d[A-Z]d[A-Z]{2}) |([A-Z]{2}d[A-Z]d[A-Z]{2})|(GIR0AA))$', 'en-GB,cy-GB,gd', 'IE ']从上述结果中可以看出，多个国家（或地区）属性都使用了``标签。如果我们只想抓取国家（或地区）面积，可以只选择第二个匹配的元素，如下所示。
>>> re.findall('(.*?)', html)[1]'244,820 square kilometres'虽然现在可以使用这个方案，但是如果网页发生变化，该方案很可能就会失效。比如表格发生了变化，去除了第二个匹配元素中的面积数据。如果我们只在当下抓取数据，就可以忽略这种未来可能发生的变化。但是，如果我们希望在未来某一时刻能够再次抓取该数据，就需要给出更加健壮的解决方案，从而尽可能避免这种布局变化所带来的影响。想要该正则表达式更加明确，我们可以将其父元素``也加入进来，由于该元素具有ID属性，所以应该是唯一的。
>>> re.findall('Area: (.*?)', html)['244,820 square kilometres']这个迭代版本看起来更好一些，但是网页更新还有很多其他方式，同样可以让该正则表达式无法满足。比如，将双引号变为单引号，`标签之间添加多余的空格，或是变更area_label`等。下面是尝试支持这些可能性的改进版本。
>>> re.findall('''.*?(.*?)''', html)['244,820 square kilometres']虽然该正则表达式更容易适应未来变化，但又存在难以构造、可读性差的问题。此外，还有很多其他微小的布局变化也会使该正则表达式无法满足，比如在`标签里添加title属性，或者tr、td`元素修改了它们的CSS类或ID 。
从本例中可以看出，正则表达式为我们提供了抓取数据的快捷方式，但是该方法过于脆弱，容易在网页更新后出现问题。幸好，还有更好的数据抽取解决方案，比如我们将在本章介绍的其他抓取库。
2　Beautiful SoupBeautiful Soup
是一个非常流行的Python库，它可以解析网页，并提供了定位内容的便捷接口。如果你还没有安装该模块，可以使用下面的命令安装其最新版本。
pip install beautifulsoup4使用Beautiful Soup的第一步是将已下载的HTML内容解析为soup文档。由于许多网页都不具备良好的HTML格式，因此Beautiful Soup需要对其标签开合状态进行修正。例如，在下面这个简单网页的列表中，存在属性值两侧引号缺失和标签未闭合的问题。

Area
Population

如果Population列表项被解析为Area列表项的子元素，而不是并列的两个列表项的话，我们在抓取时就会得到错误的结果。下面让我们看一下Beautiful Soup是如何处理的。
>>> from bs4 import BeautifulSoup>>> from pprint import pprint>>> broken_html = '

Area
Population

'>>> # parse the HTML>>> soup = BeautifulSoup(broken_html, 'html.parser')>>> fixed_html = soup.prettify()>>> pprint(fixed_html)

Area
Population

我们可以看到，使用默认的html.parser并没有得到正确解析的HTML 。从前面的代码片段可以看出，由于它使用了嵌套的li元素，因此可能会导致定位困难。幸运的是，我们还有其他解析器可以选择。我们可以安装LXML（2.2.3节中将会详细介绍），或使用html5lib 。要想安装html5lib，只需使用pip 。
pip install html5lib现在，我们可以重复这段代码，只对解析器做如下变更。
>>> soup = BeautifulSoup(broken_html, 'html5lib')>>> fixed_html = soup.prettify()>>> pprint(fixed_html)

Area
Population

此时，使用了html5lib的BeautifulSoup已经能够正确解析缺失的属性引号以及闭合标签，并且还添加了和标签，使其成为完整的HTML文档。当你使用lxml时，也可以看到类似的结果。
现在，我们可以使用find()和find_all()方法来定位我们需要的元素了。
>>> ul = soup.find('ul', attrs={'class':'country_or_district'})>>> ul.find('li') # returns just the first match

Area

>>> ul.find_all('li') # returns all matches[

Area

Population

想要了解可用方法和参数的完整列表，请访问Beautiful Soup的官方文档。

下面是使用该方法抽取示例网站中国家（或地区）面积数据的完整代码。
>>> from bs4 import BeautifulSoup>>> url = 'http://example.python-scraping.com/places/view/United-Kingdom-239'>>> html = download(url)>>> soup = BeautifulSoup(html)>>> # locate the area row>>> tr = soup.find(attrs={'id':'places_area__row'})>>> td = tr.find(attrs={'class':'w2p_fw'}) # locate the data element>>> area = td.text # extract the text from the data element>>> print(area)244,820 square kilometres这段代码虽然比正则表达式的代码更加复杂，但又更容易构造和理解。而且，像多余的空格和标签属性这种布局上的小变化，我们也无须再担心了。我们还知道即使页面中包含了不完整的HTML，Beautiful Soup也能帮助我们整理该页面，从而让我们可以从非常不完整的网站代码中抽取数据。
3　LxmlLxml
是基于libxml2这一XML解析库构建的Python库，它使用C语言编写，解析速度比Beautiful Soup更快，不过安装过程也更为复杂，尤其是在Windows中。最新的安装说明可以参考http://lxml.de/installation.html 。如果你在自行安装该库时遇到困难，也可以使用Anaconda来实现。
你可能对Anaconda不太熟悉，它是由Continuum Analytics公司员工创建的主要专注于开源数据科学包的包和环境管理器。你可以按照其安装说明下载及安装Anaconda 。需要注意的是，使用Anaconda的快速安装会将你的PYTHON_PATH设置为Conda的Python安装位置。
和Beautiful Soup一样，使用lxml模块的第一步也是将有可能不合法的HTML解析为统一格式。下面是使用该模块解析同一个不完整HTML的例子。
>>> from lxml.html import fromstring, tostring>>> broken_html = '

Area
Population

'>>> tree = fromstring(broken_html) # parse the HTML>>> fixed_html = tostring(tree, pretty_print=True)>>> print(fixed_html)

Area
Population

同样地，lxml也可以正确解析属性两侧缺失的引号，并闭合标签，不过该模块没有额外添加和标签。这些都不是标准XML的要求，因此对于lxml来说，插入它们并不是必要的。
解析完输入内容之后，进入选择元素的步骤，此时lxml有几种不同的方法，比如XPath选择器和类似Beautiful Soup的find()方法。不过，在本例中，我们将会使用CSS选择器，因为它更加简洁，并且能够在第5章解析动态内容时得以复用。一些读者可能由于他们在jQuery选择器方面的经验或是前端Web应用开发中的使用对它们已经有所熟悉。在本章的后续部分，我们将对比这些选择器与XPath的性能。要想使用CSS选择器，你可能需要先安装cssselect库，如下所示。
pip install cssselect现在，我们可以使用lxml的CSS选择器，抽取示例页面中的面积数据了。
>>> tree = fromstring(html)>>> td = tree.cssselect('tr#places_area__row > td.w2p_fw')[0]>>> area = td.text_content()>>> print(area)244,820 square kilometres【如何抓取别人网页的数据？3种网页抓取方法】通过对代码树使用cssselect方法，我们可以利用CSS语法来选择表格中ID为places_area__row的行元素，然后是类为w2p_fw的子表格数据标签。由于cssselect返回的是一个列表，我们需要获取其中的第一个结果，并调用text_content方法，以迭代所有子元素并返回每个元素的相关文本。在本例中，尽管我们只有一个元素，但是该功能对于更加复杂的抽取示例来说非常有用。