如何使用python进行web抓取？
本文摘要自Web Scraping with Python – 2015
书籍下载地址：https：//bitbucket.org/xurongzhong/python-chinese-library/downloads
源码地址：https：//bitbucket.org/wswp/code
演示站点：http：//example.webscraping.com/
演示站点代码：http：//bitbucket.org/wswp/places
推荐的python基础教程： http：//www.diveintopython.net
HTML和JavaScript基础：
http：//www.w3schools.com
web抓取简介
- 为什么要进行web抓取？
网购的时候想比较下各个网站的价格，也就是实现惠惠购物助手的功能。有API自然方便，但是通常是没有API，此时就需要web抓取。
- web抓取是否合法？
抓取的数据，个人使用不违法，商业用途或重新发布则需要考虑授权，另外需要注意礼节。根据国外已经判决的案例，一般来说位置和电话可以重新发布，但是原创数据不允许重新发布。
更多参考：
http：//www.bvhd.dk/uploads/tx_mocarticles/S_-_og_Handelsrettens_afg_relse_i_Ofir-sagen.pdf
http：//www.austlii.edu.au/au/cases/cth/FCA/2010/44.html
http：//caselaw.findlaw.com/us-supreme-court/499/340.html
- 背景研究
robots.txt和Sitemap可以帮助了解站点的规模和结构，还可以使用谷歌搜索和WHOIS等工具。
比如：http：//example.webscraping.com/robots.txt
更多关于web机器人的介绍参见 http：//www.robotstxt.org。
Sitemap的协议： http：//www.sitemaps.org/protocol.html，比如：
站点地图经常不完整。
站点大小评估：
通过google的site查询 比如：site：automationtesting.sinaapp.com
站点技术评估：
分析网站所有者：
- 抓取第一个站点
简单的爬虫(crawling)代码如下：
可以基于错误码重试。HTTP状态码：https：//tools.ietf.org/html/rfc7231#section-6。4**没必要重试，5**可以重试下。
维护成本比较高。
Beautiful Soup：
完整的例子：
Lxml基于 libxml2(c语言实现)，更快速，但是有时更难安装。网址：http：//lxml.de/installation.html。
lxml的容错能力也比较强，少半边标签通常没事。
下面使用css选择器，注意安装cssselect。
在 CSS 中，选择器是一种模式，用于选择需要添加样式的元素。
“CSS” 列指示该属性是在哪个 CSS 版本中定义的。（CSS1、CSS2 还是 CSS3。）
选择器 | 例子 | 例子描述 | CSS |
|---|---|---|---|
.class | .intro | 选择 class=”intro” 的所有元素。 | 1 |
#id | #firstname | 选择 id=”firstname” 的所有元素。 | 1 |
* | * | 选择所有元素。 | 2 |
element | p | 选择所有元素。 | 1 |
element,element | div,p | 选择所有 元素和所有元素。 | 1 |
element element | div p | 选择 元素内部的所有元素。 | 1 |
element>element | div>p | 选择父元素为 元素的所有元素。 | 2 |
element+element | div p | 选择紧接在 元素之后的所有元素。 | 2 |
[attribute] | [target] | 选择带有 target 属性所有元素。 | 2 |
[attribute=value] | [target=_blank] | 选择 target=”_blank” 的所有元素。 | 2 |
[attribute~=value] | [title~=flower] | 选择 title 属性包含单词 “flower” 的所有元素。 | 2 |
[attribute|=value] | [lang|=en] | 选择 lang 属性值以 “en” 开头的所有元素。 | 2 |
:link | a:link | 选择所有未被访问的链接。 | 1 |
:visited | a:visited | 选择所有已被访问的链接。 | 1 |
:active | a:active | 选择活动链接。 | 1 |
:hover | a:hover | 选择鼠标指针位于其上的链接。 | 1 |
:focus | input:focus | 选择获得焦点的 input 元素。 | 2 |
:first-letter | p:first-letter | 选择每个元素的首字母。 | 1 |
:first-line | p:first-line | 选择每个元素的首行。 | 1 |
:first-child | p:first-child | 选择属于父元素的第一个子元素的每个元素。 | 2 |
:before | p:before | 在每个元素的内容之前插入内容。 | 2 |
:after | p:after | 在每个元素的内容之后插入内容。 | 2 |
:lang(language) | p:lang(it) | 选择带有以 “it” 开头的 lang 属性值的每个元素。 | 2 |
element1~element2 | p~ul | 选择前面有元素的每个 元素。 | 3 |
[attribute^=value] | a[src^="https"] | 选择其 src 属性值以 “https” 开头的每个元素。 | 3 |
[attribute$=value] | a[src$=".pdf"] | 选择其 src 属性以 “.pdf” 结尾的所有 元素。 | 3 |
[attribute*=value] | a[src*="abc"] | 选择其 src 属性中包含 “abc” 子串的每个 元素。 | 3 |
:first-of-type | p:first-of-type | 选择属于其父元素的首个元素的每个 元素。 | 3 |
:last-of-type | p:last-of-type | 选择属于其父元素的最后元素的每个 元素。 | 3 |
:only-of-type | p:only-of-type | 选择属于其父元素唯一的元素的每个 元素。 | 3 |
:only-child | p:only-child | 选择属于其父元素的唯一子元素的每个元素。 | 3 |
:nth-child(n) | p:nth-child(2) | 选择属于其父元素的第二个子元素的每个元素。 | 3 |
:nth-last-child(n) | p:nth-last-child(2) | 同上，从最后一个子元素开始计数。 | 3 |
:nth-of-type(n) | p:nth-of-type(2) | 选择属于其父元素第二个元素的每个 元素。 | 3 |
:nth-last-of-type(n) | p:nth-last-of-type(2) | 同上，但是从最后一个子元素开始计数。 | 3 |
:last-child | p:last-child | 选择属于其父元素最后一个子元素每个元素。 | 3 |
:root | :root | 选择文档的根元素。 | 3 |
:empty | p:empty | 选择没有子元素的每个元素（包括文本节点）。 | 3 |
:target | #news:target | 选择当前活动的 #news 元素。 | 3 |
:enabled | input:enabled | 选择每个启用的 <input>元素。 | 3 |
:disabled | input:disabled | 选择每个禁用的 <input>元素 | 3 |
:checked | input:checked | 选择每个被选中的 <input>元素。 | 3 |
:not(selector) | :not(p) | 选择非<p>元素的每个元素。 | 3 |
::selection | ::selection | 选择被用户选取的元素部分。 | 3 |
CSS 选择器参见：http：//www.w3school.com.cn/cssref/css_selectors.ASP 和 https：//pythonhosted.org/cssselect/#supported-selectors。
下面通过提取如下页面的国家数据来比较性能：
比较代码：
Windows执行结果：
Linux执行结果：
其中 re.purge() 用户清正则表达式的缓存。
推荐使用基于Linux的lxml，在同一网页多次分析的情况优势更为明显。