如何高效运用Python实现数据抓取的三种主流方法？

本文共计471个文字，预计阅读时间需要2分钟。

三种数据抓取方法：正则表达式（re库）、BeautifulSoup（bs4）、lxml。使用前需构建下载网页函数，获取目标网页的HTML。例如，从https://guojiadiqu.bmcx.com/AFG__guojiayudiqu/获取HTML。

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guojiadiqu.bmcx.com/AFG__guojiayudiqu/为例，获取html。

from get_html import download url = '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

from get_html import download import re url = '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）

from get_html import download from bs4 import BeautifulSoup url = '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

from get_html import download from lxml import etree #解析树 url = '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易盾网络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易盾网络！