正则表达式国家（或地区）面积数据抓取其中数据的方法

　　正则表达式国家（或地区）面积数据抓取其中数据的方法

　　3 种捕获数据的方法。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。即使你用过其他编程语言的正则表达式，我还是建议你一步一步复习Python中正则表达式的编写。

　　因为每一章都可能构建或使用前几章的内容，所以建议你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运行，这样导入才能正常进行。如果要创建不同的结构，请注意其他章节的所有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 ='#39;>>> html = download(url)>>> re.findall(r'(.*? )', html)['

　　','244,820 平方公里','62,348,447','GB','英国','伦敦','EU','.uk','GBP','英镑','44',' @##@@|@###@@|@@##@@|@@###@@|@#@ #@@|@@#@ #@@|GIR0AA','^(( [AZ]d{2}[AZ]{2})|([AZ]d{3}[AZ]{2})|([AZ]{2}d{2} [AZ]{2})| ([AZ]{2}d{3}[AZ]{2})|([AZ]d[AZ]d[AZ]{2})|([AZ]{2}d[AZ]d[AZ] ]{2})|(GIR0AA))$','en-GB,cy-GB,gd','

　　浏览器

　　']

　　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('(.*?)', html)[1]'244,820 平方公里'

　　虽然现在可以使用这个计划，但是如果页面发生变化，该计划很可能会失败。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，所以它应该是唯一的。

　　>>> re.findall('(.*?)', html)['244,820 平方公里']

　　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('''.*?(.*?)''', html)['244,820平方公里']

　　这个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title 属性，或者为tr 和td` 元素修改其CSS 类或ID。

　　从这个例子中可以看出，正则表达式为我们提供了一种快速抓取数据的方式，但是这种方式过于脆弱，而且很容易在网页更新后出现问题。幸运的是，还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

　　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，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。

　　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。下面我们来看看Beautiful Soup是如何处理的。

　　>>> from bs4 import BeautifulSoup>>> from pprint import pprint>>>broken_html =''>>> # 解析HTML>>>soup = BeautifulSoup(broken_html,'html.parser')>>> fixed_html =soup.prettify()>>> pprint(fixed_html)

　　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（详见2.2.3 部分），或者使用 html5lib。要安装 html5lib，只需使用 pip。

　　pip 安装 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,'html5lib')>>> fixed_html = soup.prettify()>>> pprint(fixed_html)

　　此时使用html5lib的BeautifulSoup已经能够正确解析缺失的属性引号和结束标签，并添加&标签使其成为完整的HTML文档。当你使用 lxml 时，你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('ul', attrs=('class':'country_or_district'))>>> ul.find('li') # 只返回第一个匹配区域>>> ul. find_all('li') # 返回所有匹配项[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。

　　以下是使用该方法提取样本网站中国家（或地区）面积数据的完整代码。

　　>>> from bs4 import BeautifulSoup>>> url ='#39;>>> html = download(url)>>> soup = BeautifulSoup(html)>>> # 定位区域行>>> tr = soup.find(attrs={'id':'places_area__row'})>>>td = tr.find(attrs={'class':'w2p_fw'}) # 定位数据元素>>> area = td.text # 从数据元素中提取文本>>> print(area)244,820 平方公里

　　虽然这段代码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

　　Lxml

　　它是一个基于 libxml2 构建的 Python 库，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。

　　您可能不熟悉 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。

　　和 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。下面是使用该模块解析同样不完整的 HTML 的示例。

　　>>> from lxml.html import fromstring, tostring>>>broken_html =''>>> tree = fromstring(broken_html) # 解析HTML>>>fixed_html = tostring(tree,pretty_print=True)>>>打印（fixed_html）

　　同理，lxml 也可以正确解析属性两边缺失的引号并关闭标签，但是模块没有添加额外的 and 标签。这些不是标准 XML 的要求，所以对于 lxml 来说，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 安装 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('tr#places_area__row> td.w2p_fw')[0]>>> area = td.text_content()>>> print(area )244,820 平方公里

　　通过在代码树上使用cssselect方法，我们可以使用CSS语法选择表中ID为places_area__row的行元素，然后选择类w2p_fw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。

　　本文摘自：《Writing Web Crawlers in Python (2nd Edition)》

　　作者：[德国]凯瑟琳·贾穆尔（Katharine Jarmul）、[澳大利亚]理查德·劳森（Richard Lawson）

　　译者：李斌

　　

　　

　　为 Python 3.6 版本编写。

　　提供示例完整源代码和示例网站构建源代码，确保用户在本地成功重现爬取网站环境，并保证网站的稳定性和可靠性以及代码运行结果的可复现性。

　　互联网收录大量有用的数据，其中大部分是免费且可公开访问的。然而，这些数据并不容易使用。它们嵌入在网站的结构和样式中，提取时需要小心。作为一种采集和了解 Internet 上信息量的方法，网络抓取技术正变得越来越有用。

　　本书是使用Python3.6的新特性爬取网络数据的入门指南。本书解释了如何从静态网站中提取数据，以及如何使用数据库和文件缓存技术来节省时间和管理服务器负载，然后介绍如何使用浏览器、爬虫和并发爬虫来开发更复杂的爬虫。

　　借助 PyQt 和 Selenium，您可以决定何时以及如何从依赖 JavaScript 的 网站 抓取数据，并更好地了解如何在受 CAPTCHA 保护的复杂 网站 上提交表单。书中还讲解了如何使用Python包（如mechanize）进行自动化处理，如何使用Scrapy库创建基于类的爬虫，以及如何实现在真实网站上学到的爬虫技巧。

　　在本书的最后，它还涵盖了使用爬虫测试网站、远程爬虫技术、图像处理和其他相关主题。