网页解析器
从网页中提取有价值数据的工具,也会提取到网页中所有的url,用于后续的访问。
也就是说网页解析器会将网页下载器得到的html网页字符串作为输入,最后提取到①价值数据②新URL列表(待爬取)
Python网页解析器
1.正则表达式(最直观,将网页当作是一个字符串,进行模糊匹配但如果对于较为复杂的文档,会相当复杂)
2.html.parser(python自带)
3.beautifulSoup(第三方插件)
4.lxml
其中,BeautifulSoup既可以使用html.parser又可以使用lxml作为它的解析器。
正则是通过模糊匹配来进行爬取数据,而2,3,4则是结构化解析进行爬取数据。
什么是结构化解析
DOM(Document Object Model)树,以树的形式进行上下级的遍历和访问
会将整个网页当作是一个Document对象