网页抓取三种方式

正则表达式

范例

Import re
Import requests
url='http://example.webscraping.com/view/United-Kingdom239'
html=requests.get(url).content
re.findall('<td class='w2pfw'>(.*?)</td>',html)[1]

Beautifulsoup

范例

Import requests
from bs4 import BeautifulSoup
url = 'http://example.webscraping.com/places/view/United-Kingdom-239'
html=requests.get(url).content
soup = BeautifulSoup(html,'lxml')#解析文档
tr = soup.find(attrs = {'id':'places_area__row'})#抓取元素
td = tr.find(attrs = {'class':'w2p_fw'})
area = td.text
print(area)

lxml

范例

import lxml.html
broken_html='<ul class=country <li>Area<li>Population</ul>'
tree=lxml.html.fromstring(broken_html)#获取文档
fixed_html=lxml.html.tostring(tree,pretty_print=True )#解析文档
print fixed_html
<ul class=”country">
<li>Area</li>
<li>Population</li>
</ul>
tree=lxml.html.fromstring(html)
td=tree.cssselect('tr#places_area_row>td.w2p_fw')[O]
area=td.textcontent()
print area

比较:
速度:正则表达式最快,Bs最慢,lxml居中
难易:正则最难,Bs最简单,lxml居中

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值