本文介绍了Python爬虫的基本架构，并详细讲解了lxml模块的使用，包括节点操作、属性操作、文本操作、文件解析与输出，以及ElementPath的使用。lxml作为强大的XML和HTML解析库，常用于网页解析。
一 爬虫技术简介
爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。
**XML：**可扩展标记语言，标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言。
<?xml version="1.0" encoding="ISO-8859-1"?>
<!-- Copyright w3school.com.cn -->
<note>
<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>
</note>
二 爬虫技术架构
Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。
-
**调度器：**相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
-
**URL管理器：**包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
-
**网页下载器：**通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
-
**网页解析器：**将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
-
**应用程序：**就是从网页中提取的有用数据组成的一个应用。
下面用一个图来解释一下调度器是如何协调工作的：
三 python爬虫常用模块
1.常用模块
页面下载：urllib，urllib2，cookielib
HTML解析：Beautiful Soup（html.parser，lxml，html5lib）
soup=BeautifulSoup(html,"html.parser")
soup=BeautifulSoup(html,"lxml")
soup=BeautifulSoup(html,"html5lib")2.lxml模块介绍
主要解决三个问题：
- 问题1：有一个XML文件，如何解析
- 问题2：解析后，如果查找、定位某个标签
- 问题3：定位后如何操作标签，比如访问属性、文本内容等
导入模块，该库常用的XML处理功能都在lxml.etree中
from lxml import etree 
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
