1.讲讲etree.HTML
首先这个是lxml库中的etree函数,基本语法是:
from lxml import etree
import requests
a=requests.get("http:www.baidu.com")
b=etree.HTML(a.text)
有一个问题是,这个得到的html并不是elements,而是将元素中的值改变成公证的html格式,以便于进行xapth操作,使用etree.HTML能做到的话那么使用正则表达式一样能够获取到你想要的内容。
2.讲讲beautifulsoop(bs4)用法
import bs4
from bs4 import BeautifulSoup
import requests
a=requests.get("http:www.baidu.com")
soup = BeautifulSoup(a.text,'html.parser')
有一个问题是,它跟etree.HTML效果是一样的,这个得到的html并不是elements,而是将元素中的值改变成公证的html格式,以便于进行xapth操作,使用BeautifulSoup能做到的话那么使用正则表达式和etree.HTML一样能够获取到你想要的内容。
3.讲讲selenium自动化
selenium自动化是模拟人工来对网页进行操作,基本上很多反扒都可以使用selenium来解决,我个人认为是比etree.HTML、BeautifulSoup都高一级的操作,基本上只要使用etree.HTML、BeautifulSoup能获取内容的,使用selenium自动化一定能获取,而且selenium获取的就是网页的elements,只要存在即可以获取。
selenium自动化基本用法如下:
from selenium import webdriver
option = webdriver.ChromeOptions()
option.add_argument("headless")
driver = webdriver.Chrome(chrome_options=option)
# driver = webdriver.Chrome()
driver.get("https://www.baidu.com")
driver.maximize_window()
4.讲讲scrapy框架
scrapy框架也是是比etree.HTML、BeautifulSoup都高一级的操作,基本上只要使用etree.HTML、BeautifulSoup能获取内容的,使用scrapy框架一定能获取,而且selenium获取的就是网页的elements,只要存在即可以获取。
scrapy框架一些操作:
scrapy startproject data #创建项目
scrapy crawl data #运行项目