用re和xpath进行爬虫信息提取
把大象装进冰箱里需要3步，那么用python做网络爬虫呢？
用python做网络爬虫，也可以分3步：
- 通过各种手段获取网络响应，得到网页源码，其中源码包含想要爬取的各种数据，例如requests、urllib、selenium等，具体方法根据目标网页反爬措施而异；
- 在获得的网页源码中提取数据，常用方法包括re、Xpath、Bs4等；
- 对提取的数据进行处理保存，例如写入文件（.csv，.txt等等）或者存储数据库等。
今天，主要是想谈一谈第2步，也就是如何进行数据的提取。
一般而言，3种提取数据的方法中，re速度最快，但设计正则表达式规则相对复杂；xpath速度其次，其设计规则一定程度上类似有些类似于从sql中查询数据，难度居中；bs4速度较慢，但理解简单实现也较为容易。
在具体的爬虫数据提取时，可能并不能仅用单一的提取方法，综合运用可能效果更好。例如，爬取到某网页的源码格式如下：
<div class="intro">
<dl>
<dt><a href="************" target="_blank"><h3>************</h3></a></dt>
<dd class="slt"><a href="****#" target="_blank"><img src="****" alt="************" border="0/"><br>****</a></dd>
<dd> 执业许可证号：************</dd>
<dd> 住所：************</dd>
<dd> 联络地址：************</dd>
<dd> 电话：************</dd>
<dd> 传真：************</dd>
<dd> 网站：<a href="************#" target="_blank">************</a></dd>
<dd> 负责人：
<a href="************" target="_blank">****</a>
</dd>
<dd> 组织形式：****</dd>
<dd> 主管机关：****</dd>
<dd> 批准日期：****</dd>
<dd> 执业状态：****</dd>
</dl>
<table width="100%" border="0" cellpadding="0" cellspacing="2" bgcolor="#FFFFFF">
<tbody><tr>
<td width="15%" align="right" bgcolor="#f2f2f2">********</td>
<td width="85%" bgcolor="#f2f2f2" class="team">
<a href="************" target="_blank">****</a>
</td>
</tr>
<tr>
<td width="15%" align="right" bgcolor="#f2f2f2">********</td>
<td width="85%" bgcolor="#f2f2f2" class="team">
<a href="********" target="_blank">****</a>
<a href="********" target="_blank">****</a>
<a href="********" target="_blank">****</a>
<a href="********" target="_blank">****</a>
<a href="********" target="_blank">****</a>
</td>
</tr>
</tbody></table>
</div>
源码中的所有文字信息即为要提取的字段数据，经分析发现源码2部分信息特点不一：
- 在基础信息中，字段数目固定，且非常有规律，用正则提取效率最高；
- 在人员信息1和2中，字段数目可变，不仅每个table块中信息条目可变，且人员信息1和2也可能可有可无，所以用正则表达式无法应对这种可变的情况，用xpath根据规则来提取效果可能更好。
<div class="intro">
<dl>
--基础信息：字段数目固定
</dl>
<table width="100%" border="0" cellpadding="0" cellspacing="2" bgcolor="#FFFFFF">
<tbody><tr>
<td width="15%" align="right" bgcolor="#f2f2f2"> </td>
<td width="85%" bgcolor="#f2f2f2" class="team">
--人员信息1：字段数目可变
</td>
</tr>
<tr>
<td width="15%" align="right" bgcolor="#f2f2f2"> </td>
<td width="85%" bgcolor="#f2f2f2" class="team">
--人员信息2：字段数目可变
</td>
</tr>
</tbody></table>
</div>
基于此，
- 针对基础信息，设计如下正则表达式可完美提取（信息不全时除外），
pattern = r'<div class="intro">.*?alt="(.*?)" .*?执业许可证号：(.*?)</dd>.*?住所：(.*?)</dd>.*?联络地址：(.*?)</dd>.*?电话：(.*?)</dd>.*?传真：(.*?)</dd>.*?网站：<a href="(.*?)".*?负责人：.*?>(.*?)</a>.*?组织形式：(.*?)</dd>.*?主管机关：(.*?)</dd>.*?批准日期：(.*?)</dd>.*?执业状态：(.*?)</dd>'
- 针对人员信息1和2，设计xpath解析表达式，并加入条件判断，可有效提取2部分信息
lawers = element.xpath("//table/tr//a/text()")
结论：re和xpath作为爬虫信息提取的2种常用方法，各有利弊不分伯仲，可根据各自特点灵活选用，其中对于规律性比较强的，优先选用re提取数据；而当字段数目或者信息规则不确定时，则可以设计xpath提取。
另外：在将lxml.etree._Element对象转化为string对象时，还踩了一个坑，即直接tostring()后，会出现格式混乱即中文无法显示的问题，此时仅链式增加.decode()仅能解决格式混乱的问题，中文字符仍然会用&#xxxxx编码。此时，解决办法是在tostring()中明确编码类型，尔后再decode()可有效解决这一问题。
content = etree.tostring(content).decode('utf-8')
△ tostring()直接解码中文显示为编码
content = etree.tostring(content, encoding = "utf-8").decode('utf-8')
△ tostring()指定编码后再解码中文显示正确
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-12-07，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读