Python网络爬虫之分析网页（python爬虫爬取网页数据）
off999 2024-10-16 11:28 42 浏览 0 评论
一、分析并提取网页内容的有三种方式
?正则表达式（速度最快，但适应变化略差)
?Beautifulsoup库（速度是正则表达式的约几分之一)
?selenium或pyppeteer的中的浏览器对象的查找元素函数（速度是正则表达式的约百分之一，用在需要模拟在网页中进行输入，点击按钮等操作的时候)
二. 正则表达式（Regular Expressions）
概述：
正则表达式是一种强大的文本处理工具，它使用一种特殊的字符序列来描述搜索模式。在Python中，re模块提供了正则表达式的支持。正则表达式非常适合用于提取格式固定或已知的数据，如电话号码、邮箱地址、特定格式的字符串等。
优点：
执行速度快，特别是对于简单的匹配和提取任务。
语法灵活，可以定义复杂的搜索模式。
缺点：
难以处理复杂的HTML结构，特别是当HTML结构发生变化时，正则表达式可能需要频繁更新。
可读性和可维护性较差，特别是对于复杂的正则表达式。
示例：
假设我们要从一个简单的HTML页面中提取所有的电话号码，电话号码格式为123-456-7890。
<html>
<body>
<p>联系方式：123-456-7890</p>
<p>另一个号码：456-789-0123</p>
</body>
</html>
使用Python的re模块，我们可以这样提取电话号码：
import re
html_content = """
<html>
<body>
<p>联系方式：123-456-7890</p>
<p>另一个号码：456-789-0123</p>
</body>
</html>
"""
# 使用正则表达式匹配电话号码
phone_numbers = re.findall(r'\d{3}-\d{3}-\d{4}', html_content)
print(phone_numbers) # 输出: ['123-456-7890', '456-789-0123']
三. BeautifulSoup库
概述：
BeautifulSoup是一个用于从HTML或XML文件中提取数据的Python库。它创建了一个解析树，用于便捷地导航、搜索、修改文档。BeautifulSoup专注于文档的结构，而不是格式或数据的呈现方式。
优点：
易于学习和使用，提供了直观的方法来查找和修改HTML或XML文档。
能够处理复杂的HTML结构，并自动修正一些常见的HTML错误。
与正则表达式相比，更容易适应HTML结构的变化。
缺点：
相对于正则表达式，执行速度较慢。
对于需要高度性能优化的任务，可能不是最佳选择。
示例：
继续使用上面的HTML内容，但这次我们使用BeautifulSoup来提取所有的<p>标签内的文本。
from bs4 import BeautifulSoup
html_content = """
<html>
<body>
<p>联系方式：123-456-7890</p>
<p>另一个号码：456-789-0123</p>
</body>
</html>
"""
soup = BeautifulSoup(html_content, 'html.parser')
# 查找所有的<p>标签并提取其文本内容
p_tags = soup.find_all('p')
for p in p_tags:
print(p.get_text(strip=True)) # 输出: 联系方式：123-456-7890 另一个号码：456-789-0123
四. Selenium或Pyppeteer
概述：
Selenium和Pyppeteer是自动化测试工具，但它们也可以用于网络爬虫。它们通过模拟真实浏览器的行为来与网页交互，因此可以处理那些需要JavaScript渲染或用户交互才能显示的网页内容。
优点：
能够处理复杂的网页交互，如登录、点击按钮、填写表单等。
可以执行JavaScript代码，与动态加载的网页内容交互。
缺点：
执行速度较慢，特别是与正则表达式和BeautifulSoup相比。
需要额外的设置和配置，如安装浏览器驱动程序。
示例：
由于Selenium和Pyppeteer的示例通常涉及较长的代码和设置过程，这里只提供一个简化的概念示例。
假设我们要使用Selenium打开一个网页，并提取某个通过JavaScript动态加载的元素的内容。
from selenium import webdriver
# 配置WebDriver路径（这里以Chrome为例）
driver_path = 'path/to/chromedriver'
# 初始化WebDriver
driver = webdriver.Chrome(executable_path=driver_path)
# 打开网页
driver.get('https://example.com')
# 执行一些JavaScript代码或模拟用户交互（这里省略具体实现）
# ...
# 提取元素内容（这里以XPath为例，实际应用中可能需要根据页面结构调整）
element = driver.find_element_by_xpath('some/xpath/to/element')
print(element.text)
# 关闭浏览器
driver.quit()
请注意，上述Selenium示例是一个高度简化的版本，实际使用中你需要处理更多的细节，如等待元素加载、处理弹窗、处理错误等。
五、总结
每种方式都有其适用场景和优缺点。正则表达式适合处理简单的文本匹配和提取任务；BeautifulSoup适合处理复杂的HTML结构，特别是当HTML结构相对稳定时；Selenium或Pyppeteer则适合需要模拟真实浏览器行为的复杂网页交互任务。在选择使用哪种方式时，应根据具体需求、网页结构和性能要求综合考虑。
相关推荐
- Alist 玩家请进:一键部署全新分支 Openlist，看看香不香!
-
Openlist（其前身是鼎鼎大名的Alist）是一款功能强大的开源文件列表程序。它能像“万能钥匙”一样，解锁并聚合你散落在各处的云盘资源——无论是阿里云盘、百度网盘、GoogleDrive还是...
- 白嫖SSL证书还自动续签?这个开源工具让我告别手动部署
-
你还在手动部署SSL证书？你是不是也遇到过这些问题：每3个月续一次Let'sEncrypt证书，忘了就翻车；手动配置Nginx，重启服务，搞一次SSL得花一下午；付费证书太贵，...
- Docker Compose:让多容器应用一键起飞
-
CDockerCompose：让多容器应用一键起飞"曾经我也是一个手动启动容器的少年，直到我的膝盖中了一箭。"——某位忘记--link参数的运维工程师引言：容器化的烦恼与...
- 申请免费的SSL证书，到期一键续签
-
大家好，我是小悟。最近帮朋友配置网站HTTPS时发现，还有人对宝塔面板的SSL证书功能还不太熟悉。其实宝塔早就内置了免费的Let'sEncrypt证书申请和一键续签功能，操作简单到连新手都能...
- 飞牛NAS部署TVGate Docker项目，实现内网一键转发、代理、jx
-
前面分享了两期TVGate：Q大的转发代理工具TVGate升级了，操作更便捷，增加了新的功能跨平台内网转发神器TVGate部署与使用初体验现在项目已经开源，并支持Docker部署，本文介绍如何通...
- Docker Compose 编排实战:一键部署多容器应用!
-
当项目变得越来越复杂，一个服务已经无法满足需求时，你可能需要同时部署数据库、后端服务、前端网页、缓存组件……这时，如果还一个一个手动dockerrun，简直是灾难这就是DockerCompo...
- 深度测评:Vue、React 一键部署的神器 PinMe
-
不知道大家有没有这种崩溃瞬间：领导突然要看项目Demo，客户临时要体验新功能，自己写的小案例想发朋友圈；找运维？排期？还要走工单；自己买服务器？域名、SSL、Nginx、防火墙；本地起服务？断电、关...
- 超简单!一键启动多容器，解锁 Docker Compose 极速编排秘籍
-
想要用最简单的方式在本地复刻一套完整的微服务环境？只需一个docker-compose.yml文件，你就能一键拉起N个容器，自动组网、挂载存储、环境隔离，全程无痛！下面这份终极指南，教你如何用...
- 日志文件转运工具Filebeat笔记_日志转发工具
-
一、概述与简介Filebeat是一个日志文件转运工具，在服务器上以轻量级代理的形式安装客户端后，Filebeat会监控日志目录或者指定的日志文件，追踪读取这些文件（追踪文件的变化，不停的读），并将来自...
- K8s 日志高效查看神器，提升运维效率10倍!
-
通常情况下，在部署了K8S服务之后，为了更好地监控服务的运行情况，都会接入对应的日志系统来进行检测和分析，比如常见的Filebeat+ElasticSearch+Kibana这一套组合...
- 如何给网站添加 https_如何给网站添加证书
-
一、简介相信大家都知道https是更加安全的，特别是一些网站，有https的网站更能够让用户信任访问接下来以我的个人网站五岁小孩为例子，带大家一起从0到1配置网站https本次配置的...
- 10个Linux文件内容查看命令的实用示例
-
Linux文件内容查看命令30个实用示例详细介绍了10个Linux文件内容查看命令的30个实用示例，涵盖了从基本文本查看、分页浏览到二进制文件分析的各个方面。掌握这些命令帮助您：高效查看各种文本文件内...
- 第13章 工程化实践_第13章 工程化实践课
-
13.1ESLint+Prettier代码规范统一代码风格配置//.eslintrc.jsmodule.exports={root:true,env:{node...
- 龙建股份:工程项目中标_龙建股份有限公司招聘网
-
404NotFoundnginx/1.6.1【公告简述】2016年9月8日公告,公司于2016年9月6日收到苏丹共和国(简称“北苏丹”)喀土穆州基础设施与运输部公路、桥梁和排水公司出具的中标通知书...
- 福田汽车:获得政府补助_福田 补贴
-
404NotFoundnginx/1.6.1【公告简述】2016年9月1日公告,自2016年8月17日至今,公司共收到产业发展补助、支持资金等与收益相关的政府补助4笔,共计5429.08万元(不含...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- python计时 (73)
- python安装路径 (56)
- python类型转换 (93)
- python进度条 (67)
- python吧 (67)
- python的for循环 (65)
- python格式化字符串 (61)
- python静态方法 (57)
- python列表切片 (59)
- python面向对象编程 (60)
- python 代码加密 (65)
- python串口编程 (77)
- python封装 (57)
- python写入txt (66)
- python读取文件夹下所有文件 (59)
- python操作mysql数据库 (66)
- python获取列表的长度 (64)
- python接口 (63)
- python调用函数 (57)
- python多态 (60)
- python匿名函数 (59)
- python打印九九乘法表 (65)
- python赋值 (62)
- python异常 (69)
- python元祖 (57)