Python使用lxml模塊和Requests模塊抓取HTML頁(yè)面的教程

更新時(shí)間：2016年05月16日 18:53:56 作者：Kenneth Reitz

用Pyhton自帶的urllib或urllib2模塊抓取網(wǎng)頁(yè)或許有些陳詞濫調(diào)了,今天我們就來(lái)玩兒些新鮮的,來(lái)看Python使用lxml模塊和Requests模塊抓取HTML頁(yè)面的教程:

Web抓取
Web站點(diǎn)使用HTML描述，這意味著每個(gè)web頁(yè)面是一個(gè)結(jié)構(gòu)化的文檔。有時(shí)從中獲取數(shù)據(jù)同時(shí)保持它的結(jié)構(gòu)是有用的。web站點(diǎn)不總是以容易處理的格式，如 csv 或者 json 提供它們的數(shù)據(jù)。

這正是web抓取出場(chǎng)的時(shí)機(jī)。Web抓取是使用計(jì)算機(jī)程序?qū)eb頁(yè)面數(shù)據(jù)進(jìn)行收集并整理成所需格式,同時(shí)保存其結(jié)構(gòu)的實(shí)踐。

lxml和Requests
lxml（http://lxml.de/）是一個(gè)優(yōu)美的擴(kuò)展庫(kù)，用來(lái)快速解析XML以及HTML文檔即使所處理的標(biāo)簽非?；靵y。我們也將使用 Requests （http://docs.python-requests.org/en/latest/#）模塊取代內(nèi)建的urllib2模塊，因?yàn)槠渌俣雀於铱勺x性更好。你可以通過(guò)使用 pip install lxml 與 pip install requests 命令來(lái)安裝這兩個(gè)模塊。

讓我們以下面的導(dǎo)入開(kāi)始：

from lxml import html
import requests

下一步我們將使用 requests.get 來(lái)從web頁(yè)面中取得我們的數(shù)據(jù)，通過(guò)使用 html 模塊解析它，并將結(jié)果保存到 tree 中。

page = requests.get('http://econpy.pythonanywhere.com/ex/001.html')
tree = html.fromstring(page.text)

tree 現(xiàn)在包含了整個(gè)HTML文件到一個(gè)優(yōu)雅的樹(shù)結(jié)構(gòu)中，我們可以使用兩種方法訪(fǎng)問(wèn)：XPath以及CSS選擇器。在這個(gè)例子中，我們將選擇前者。

XPath是一種在結(jié)構(gòu)化文檔（如HTML或XML）中定位信息的方式。一個(gè)關(guān)于XPath的不錯(cuò)的介紹參見(jiàn) W3Schools 。

有很多工具可以獲取元素的XPath，如Firefox的FireBug或者Chrome的Inspector。如果你使用Chrome，你可以右鍵元素，選擇 ‘Inspect element'，高亮這段代碼，再次右擊，并選擇 ‘Copy XPath'。

在進(jìn)行一次快速分析后，我們看到在頁(yè)面中的數(shù)據(jù)保存在兩個(gè)元素中，一個(gè)是title是 ‘buyer-name' 的div，另一個(gè)class是 ‘item-price' 的span：

<div title="buyer-name">Carson Busses</div>
<span class="item-price">$29.95</span>

知道這個(gè)后，我們可以創(chuàng)建正確的XPath查詢(xún)并且使用lxml的 xpath 函數(shù)，像下面這樣：

#這將創(chuàng)建buyers的列表：
buyers = tree.xpath('//div[@title="buyer-name"]/text()')
#這將創(chuàng)建prices的列表：
prices = tree.xpath('//span[@class="item-price"]/text()')

讓我們看看我們得到了什么：

print 'Buyers: ', buyers
print 'Prices: ', prices
Buyers: ['Carson Busses', 'Earl E. Byrd', 'Patty Cakes',
'Derri Anne Connecticut', 'Moe Dess', 'Leda Doggslife', 'Dan Druff',
'Al Fresco', 'Ido Hoe', 'Howie Kisses', 'Len Lease', 'Phil Meup',
'Ira Pent', 'Ben D. Rules', 'Ave Sectomy', 'Gary Shattire',
'Bobbi Soks', 'Sheila Takya', 'Rose Tattoo', 'Moe Tell']

Prices: ['$29.95', '$8.37', '$15.26', '$19.25', '$19.25',
'$13.99', '$31.57', '$8.49', '$14.47', '$15.86', '$11.11',
'$15.98', '$16.27', '$7.50', '$50.85', '$14.26', '$5.68',
'$15.00', '$114.07', '$10.09']

恭喜！我們已經(jīng)成功地通過(guò)lxml與Request，從一個(gè)web頁(yè)面中抓取了所有我們想要的數(shù)據(jù)。我們將它們以列表的形式存在內(nèi)存中?，F(xiàn)在我們可以對(duì)它做各種很酷的事情了：我們可以使用Python分析它，或者我們可以將之保存為一個(gè)文件并向世界分享。

我們可以考慮一些更酷的想法：修改這個(gè)腳本來(lái)遍歷該例數(shù)據(jù)集中剩余的頁(yè)面，或者使用多線(xiàn)程重寫(xiě)這個(gè)應(yīng)用從而提升它的速度。

您可能感興趣的文章: