第二章

数据抓取

首先 ， 我们会介绍一个叫 做Firebug Lite 的浏览器扩展， 用 于检查网页 内容 ， 如 果你有一些网络开发背景的话， 可能 己经对该扩展十分熟悉 了 。 然后 ，我们会介绍三 种抽取网 页数据的 方法 ， 分别是正则表达式、 Beauti削Soup up 和lxml 。 最后 ， 我们将 对 比这三 种数据抓取方法 。

2.1 分析网页

    想要了解一个网页的结构如何，可以使用查看源代码的 方法 。在大多数浏览器中 ，都可以在页面上右键单击选择 ViView page source 选工页 工页 ，获取网页的源代码，如 图 2. 1 所示。我们可 以在 H刊伍 的下述代码 中 找到我们感兴趣 的 数据 。

    <table>

    <tr id＝ ”place s_national_flag_row ” ＞＜td class＝”w2p_f l ” ＞＜label

      for＝ ”place s_national_flag ” 

 2.2.2 Beautiful Soup

Beautifuful Soup

        是一个非常流行的Pythython模块 。该模块可 以解析网页，并提供定位 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 beautifuls。up4使用 Beauautiful Soup 的第一步是将 己下载的 HTML 内 容解析为 soup 文档 。由 于大多数网 页都不具备 良好的 HTML 格式， 因 此 Beautiful Soup需要对其实 际格式进行确定 。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 闭含 的 问题。

        <ul class=country>

             <li>Area

        <li>Population

              < /ul> 

2.2.3 Lxml

Lxml 是基于 l ibxml 2 这一 XML 解析库的 Python封装 。该模块使用 C语言编写 ，解析速度 比 Beauautiful Soup 更快 ，不过安装过程也更为复杂 。最新的 安装说明可以参考 http : / / Lxml . de / instal l at i on . html o和 Beauautiful 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 。

》＞ import lxml . html

》＞ bro ken html ＝ ’ ＜ul clas s=country><li>Area<li>Population</ul＞ ’ 》＞ tree = lxml . html . fromstring (broken_ html ) # parse the HTML

》＞ fixed html = lxml . html . tos tring ( tree , pretty_pr int=True )

》＞ print fixed_html

<ul clas s＝” country">

      <li>Area< /li>

      <li>Popul ation< /li>

< /ul> 

 的例子相同

2.2.5 结论表

2. 1 总结了每种抓取方法的优缺点 。

                   如果你的爬虫瓶颈是下载网页，而不是抽取数据的话 ，那么使用较慢的方法 （ 如 Beauautiful Soup ） 也不成 问题。如果只需抓取少量数据 ，并且想要避免额外依赖的话， 那 么 正则表达式可能更加适合 。不过， 通常情况下 ，l xml 是抓取数据 的 最好 选择 ， 这是因为该方法既快速又健壮而正则表达式和Beautiful Soup up 只在某些特定场景下有用 。

2.2.6 为链接爬虫添加抓取回调

         前面我们 已 经了解了如何抓取国家数据 ， 接 下来我们 需 要将其集成到上一章的 链接爬虫 当 中 。要想复用这段爬虫代码抓取其他网站，我们需要添加 一个 cal lback参数处理抓取行 为 。 cal lba c k 是一个函数在发生某个特定 事件之后会调用该函数（ 在本例中，会在 网 页下载完成后 调用 ） 。该抓取 cal lback 函 数包含url和html 两个参数 ，并且可 以返回一个待爬取的URL 列 表 。 下面是其实现代码 ， 可以看出在 Python 中 实现该功能非常简单 。

        de f link_crawler ( ... ,  , s c rape_cal lbac k=None ):

              links = []

              if scrapape_callback :

                  links . extend ( scrape__callback (url , ht皿1） or [ ] ) 

2.3 本章小结

在本章 中 ，我们介绍了几种抓取网页数据的方法。正则表达式在一次性数据抓取中非常有用 ，此外还可以避免解析整个网页带来的开销 ：BeautifulSoup提供了更高层次的接口 ，同 时还能避免过多麻烦的依赖。不过通常情况下 ，lxml 是我们的最佳选择，因为它速度更快 ， 功能更加丰富 ，因此在接下来的例子中我们将会使用 l xml 模块进行数据抓取。

下一章， 我们会介绍缓存技术 ，这样就能把网 页保存下来 ， 只 在爬虫第一次运行时才会下载 网页。