爬虫学习[3]

高性能HTML性能内容解析

通过前面的学习，直接从网页得到所需要的信息没有太大的问题，但是网页是一种结构化的数据。直接使用正则表达式进行查找就好像是地摊式搜寻，这种方法是普适的，但是与之相对的是效率较为低下。如果我们可以利用好结构化的结果，对数据进行解析，从而提升效率那不是更好吗。

HTML基础

HTML也就是前面章节提到的网页源代码，是一种结构化的标记语言。HTML可以描述一个网页的结构信息。HTML与CSS（Cascading Style Sheets，层叠样式表）、JavaScript一起构成了现代互联网的基石，常见的HTML形式如下：
html的层级关系就像一棵树一样。

XPath的介绍

XPath（XML Path）是一种查询语言，它能在XML（Extensible MarkupLanguage，可扩展标记语言）和HTML的树状结构中寻找结点。形象一点来说，XPath就是一种根据“地址”来“找人”的语言。用正则表达式来提取信息，经常会出现不明原因的无法提取想要内容的情况。最后即便绞尽脑汁终于把想要的内容提取了出来，却发现浪费了太多的时间。需要寻找的内容越复杂，构造正则表达式所需要花费的时间也就越多。而XPath却不一样，熟练使用XPath以后，构造不同的XPath，所需要花费的时间几乎是一样的，所以用XPath从HTML源代码中提取信息可以大大提高效率。在Python中，为了使用XPath，需要安装一个第三方库：lxml。
安装过程略去，使用的大致方法为：

import lxml