网页抓取数据( Python中正则表达式的3种抓取其中数据的方法（上）)

　　网页抓取数据(

Python中正则表达式的3种抓取其中数据的方法（上）)

　　

　　3种获取数据的方法。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

　　如果你不熟悉正则表达式，或者需要一些提示，那么你可以查看完整的介绍。即使你已经使用过其他编程语言中的正则表达式，我仍然建议你一步一步复习 Python 中正则表达式的编写。

　　由于可以在每章中构建或使用前面章节的内容，因此我建议您遵循类似于本书代码库的文件结构。所有代码都可以从代码库的代码目录中运行，以便导入正常工作。如果要创建不同的结构，请注意所有其他章节的导入操作都需要更改（例如以下代码中的chp1.advanced_link_crawler）。

　　当我们使用正则表达式抓取一个国家（或地区）的面积数据时，首先需要尝试匹配``元素中的内容，如下图。

　　

>>> 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)

[&#39;<img />

&#39;,

&#39;244,820 square kilometres&#39;,

&#39;62,348,447&#39;,

&#39;GB&#39;,

&#39;United Kingdom&#39;,

&#39;London&#39;,

&#39;<a>EU</a>

&#39;,

&#39;.uk&#39;,

&#39;GBP&#39;,

&#39;Pound&#39;,

&#39;44&#39;,

&#39;@# #@@|@## #@@|@@# #@@|@@## #@@|@#@ #@@|@@#@ #@@|GIR0AA&#39;,

&#39;^(([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))$&#39;,

&#39;en-GB,cy-GB,gd&#39;,

&#39;<a>IE </a>

&#39;]

　　从上面的结果可以看出，多个国家（或地区）属性使用了``标签。如果我们只想捕获一个国家（或地区）的面积，我们可以只选择第二个匹配元素，如下图。

　　

>>> re.findall(&#39;(.*?)&#39;, html)[1]

&#39;244,820 square kilometres&#39;

　　虽然现在可以使用这个方案，但是如果网页发生变化，该方案很可能会失败。例如，表发生了变化，删除了第二个匹配元素中的区域数据。如果我们现在只抓取数据，我们可以忽略这种可能的未来变化。但是，如果我们希望能够在未来的某个时刻再次捕获数据，我们需要提供更健壮的解决方案，以尽可能避免这种布局更改的影响。为了使正则表达式更加明确，我们还可以添加其父元素。因为这个元素有一个 ID 属性，它应该是唯一的。

　　

>>> re.findall(&#39;Area:

(.*?)&#39;, html)

[&#39;244,820 square kilometres&#39;]

　　这个迭代版本看起来更好，但是还有很多其他的更新网页的方式，也会让正则表达式不尽人意。例如，将双引号更改为单引号，在`labels 之间添加额外的空格，或者更改area_label` 等。下面是一个尝试支持这些可能性的改进版本。

　　

>>> re.findall(&#39;&#39;&#39;.*?(.*?)&#39;&#39;&#39;, html)

[&#39;244,820 square kilometres&#39;]

　　这种正则表达式虽然更容易适应未来的变化，但存在构建困难、可读性差的问题。此外，还有许多其他细微的布局更改会使正则表达式不令人满意，例如在`tag 中添加标题属性，或者为tr 和td` 元素修改它们的CSS 类或ID。

　　从这个例子可以看出，正则表达式为我们提供了抓取数据的捷径，但是这种方式过于脆弱，在网页更新后容易出现问题。幸运的是，有更好的数据提取解决方案，例如我们将在本章中介绍的其他爬虫库。

　　2美汤

　　美汤

　　它是一个非常流行的 Python 库，可以解析网页并提供方便的界面来定位内容。如果您还没有安装该模块，您可以使用以下命令安装最新版本。

　　

pip install beautifulsoup4

　　使用 Beautiful Soup 的第一步是将下载的 HTML 内容解析成一个 Soup 文档。由于很多网页没有好的HTML格式，Beautiful Soup需要修改其标签打开和关闭状态。例如，在下面的简单网页列表中，存在属性值周围缺少引号和未关闭标签的问题。

　　

Area

Population

　　如果将 Population 列表项解析为 Area 列表项的子元素，而不是两个并排的列表项，我们在爬行时会得到错误的结果。我们来看看Beautiful Soup是如何处理的。

　　

>>> from bs4 import BeautifulSoup

>>> from pprint import pprint

>>> broken_html = &#39;AreaPopulation

&#39;

>>> # parse the HTML

>>> soup = BeautifulSoup(broken_html, &#39;html.parser&#39;)

>>> fixed_html = soup.prettify()

>>> pprint(fixed_html)

Area

Population

　　我们可以看到使用默认的 html.parser 无法正确解析 HTML。从前面的代码片段可以看出，由于使用了嵌套的li元素，可能会造成定位困难。幸运的是，我们还有其他解析器可供选择。我们可以安装LXML（2.2.将在第3节详细介绍），或者使用html5lib。要安装 html5lib，只需使用 pip。

　　

pip install html5lib

　　现在，我们可以重复这段代码，只对解析器进行以下更改。

　　

>>> soup = BeautifulSoup(broken_html, &#39;html5lib&#39;)

>>> fixed_html = soup.prettify()

>>> pprint(fixed_html)

Area

Population

　　至此，BeautifulSoup 使用 html5lib 已经能够正确解析缺失的属性引号和结束标记，并添加了 &amp; 标记，使其成为一个完整的 HTML 文档。当您使用 lxml 时，您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。

　　

>>> ul = soup.find(&#39;ul&#39;, attrs={&#39;class&#39;:&#39;country_or_district&#39;})

>>> ul.find(&#39;li&#39;) # returns just the first match

Area

>>> ul.find_all(&#39;li&#39;) # returns all matches

[Area

, Population

　　有关可用方法和参数的完整列表，请访问 Beautiful Soup 的官方文档。

　　以下是示例网站中使用该方法提取国家（或地区）面积数据的完整代码。

　　

>>> from bs4 import BeautifulSoup

>>> url = &#39;http://example.python-scraping.com/places/view/United-Kingdom-239&#39;

>>> html = download(url)

>>> soup = BeautifulSoup(html)

>>> # locate the area row

>>> tr = soup.find(attrs={&#39;id&#39;:&#39;places_area__row&#39;})

>>> td = tr.find(attrs={&#39;class&#39;:&#39;w2p_fw&#39;}) # 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代码复杂，但更容易构建和理解。此外，我们不需要担心布局的微小变化，例如额外的空间和标签属性。我们也知道，即使页面收录不完整的 HTML，Beautiful Soup 也可以帮助我们组织页面，以便我们从非常不完整的 网站 代码中提取数据。

　　3Lxml

　　xml文件

　　它是在 libxml2 的基础上构建的 Python 库，是一个 XML 解析库。它是用C语言编写的，解析速度比Beautiful Soup更快，但安装过程比较复杂，尤其是在Windows下。您可以参考最新的安装说明。如果自己安装库有困难，也可以使用Anaconda来实现。

　　你可能不熟悉 Anaconda，它是一个由员工创建的包和环境管理器，专注于开源数据科学包。您可以根据其安装说明下载并安装 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。

　　与 Beautiful Soup 一样，使用 lxml 模块的第一步是将潜在的非法 HTML 解析为统一格式。以下是使用该模块解析相同不完整 HTML 的示例。

　　

>>> from lxml.html import fromstring, tostring

>>> broken_html = &#39;AreaPopulation

&#39;

>>> tree = fromstring(broken_html) # parse the HTML

>>> fixed_html = tostring(tree, pretty_print=True)

>>> print(fixed_html)

Area

Population

　　同理，lxml 可以正确解析属性两边缺失的引号并关闭标签，但模块不会添加额外的和标签。这些不是标准 XML 的要求，因此对于 lxml，插入它们是没有必要的。

　　解析输入内容后，进入选择元素的步骤。这时候lxml有几种不同的方法，比如XPath选择器和类似于Beautiful Soup的find()方法。但是，在这个例子中，我们将使用 CSS 选择器，因为它更简洁，可以在第 5 章解析动态内容时重复使用。 一些读者可能已经熟悉了它们，因为他们有过 jQuery 选择器的经验，或者它们在前面的使用——结束 Web 应用程序开发。在本章的其余部分，我们将比较这些选择器与 XPath 的性能。要使用 CSS 选择器，您可能需要先安装 cssselect 库，如下所示。

　　

pip install cssselect

　　现在，我们可以使用 lxml 的 CSS 选择器来提取示例页面中的区域数据。

　　

>>> tree = fromstring(html)

>>> td = tree.cssselect(&#39;tr#places_area__row > td.w2p_fw&#39;)[0]

>>> area = td.text_content()

>>> print(area)

244,820 square kilometres

　　通过在代码树上使用cssselect方法，我们可以使用CSS语法来选择表中ID为places_area__row的行元素，然后是w2p_fw类的子表数据标签。由于cssselect返回的是一个列表，我们需要获取第一个结果并调用text_content方法迭代所有子元素并返回每个元素的相关文本。在这个例子中，虽然我们只有一个元素，但这个特征对于更复杂的提取例子非常有用。

　　标签：