内容摘要：用Python写爬虫工具在现在是一种司空见惯的事情，每个人都希望能够写一段程序去互联网上扒一点资料下来，用于数据分析或者干点别的事情。我们知道，爬虫的原理无非是把目标网址的内容下载下来存储到内存中，这

 用Python写爬虫工具在现在是爬虫一种司空见惯的事情，每个人都希望能够写一段程序去互联网上扒一点资料下来，解析用于数据分析或者干点别的网页事情。

我们知道，收藏爬虫的爬虫原理无非是把目标网址的内容下载下来存储到内存中，这个时候它的解析内容其实是一堆HTML，然后再对这些HTML内容进行解析，网页按照自己的收藏想法提取出想要的数据，所以今天我们主要来讲四种在Python中解析网页HTML内容的爬虫方法，各有千秋，解析适合在不同的网页场合下使用。

首先我们随意找到一个网址，收藏这时我脑子里闪过了豆瓣这个网站。爬虫嗯，解析毕竟是网页用Python构建的网站，那就拿它来做示范吧。

我们找到了豆瓣的Python爬虫小组主页，看起来长成下面这样。 

让我们用浏览器开发者工具看看HTML代码，网站模板定位到想要的内容上，我们想要把讨论组里的帖子标题和链接都给扒出来。 

通过分析，我们发现实际上我们想要的内容在整个HTML代码的 这个区域里，那我们只需要想办法把这个区域内的内容拿出来就差不多了。

现在开始写代码。

1: 正则表达式大法

正则表达式通常被用来检索、替换那些符合某个模式的文本，所以我们可以利用这个原理来提取我们想要的信息。

参考以下代码。 

在代码第6行和第7行，需要手动指定一下header的内容，装作自己这个请求是浏览器请求，否则豆瓣会视为我们不是正常请求会返回HTTP 418错误。

在第7行我们直接用requests这个库的get方法进行请求，获取到内容后需要进行一下编码格式转换，同样是因为豆瓣的页面渲染机制的问题，正常情况下，直接获取requests content的免费信息发布网内容即可。

Python模拟浏览器发起请求并解析内容代码: 

url = https://www.douban.com/group/491607/headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:71.0) Gecko/20100101 Firefox/71.0"}response = requests.get(url=url,headers=headers).content.decode(utf-8) 

正则的好处是编写麻烦，理解不容易，但是匹配效率很高，不过时至今日有太多现成的HTMl内容解析库之后，我个人不太建议再手动用正则来对内容进行匹配了，费时费力。

主要解析代码: 

re_div = r<table\s+class=\"olt\">[\W|\w]+</table>pattern = re.compile(re_div)content = re.findall(pattern, str(response))re_link = r<a .*?>(.*?)</a>mm = re.findall(re_link, str(content), re.S|re.M)urls=re.findall(r"<a.*?href=.*?<\/a>",  str(content), re.I|re.S|re.M) 

2: requests-html

这个库其实是我个人最喜欢的库，作则是编写requests库的网红程序员 Kenneth Reitz，他在requests的基础上加上了对html内容的解析，就变成了requests-html这个库了。

下面我们来看看范例： 

我喜欢用requests-html来解析内容的原因是因为作者依据帮我高度封装过了，连请求返回内容的编码格式转换也自动做了，完全可以让我的代码逻辑简单直接，更专注于解析工作本身。

主要解析代码: 

links = response.html.find(table.olt, first=True).find(a) 

安装途径: pip install requests-html

3: BeautifulSoup

大名鼎鼎的 BeautifulSoup库，出来有些年头了，在Pyhton的源码库HTML解析库里属于重量级的库，其实我评价它的重量是指比较臃肿，大而全。

还是来先看看代码。 

soup = BeautifulSoup(response, html.parser)links = soup.findAll("table", {"class": "olt"})[0].findAll(a) 

BeautifulSoup解析内容同样需要将请求和解析分开，从代码清晰程度来讲还将就，不过在做复杂的解析时代码略显繁琐，总体来讲可以用，看个人喜好吧。

安装途径: pip install beautifulsoup4

4: lxml的XPath

lxml这个库同时 支持HTML和XML的解析，支持XPath解析方式，解析效率挺高，不过我们需要熟悉它的一些规则语法才能使用，例如下图这些规则。 

来看看如何用XPath解析内容。

主要解析代码: 

content = doc.xpath("//table[@class=olt]/tr/td/a") 

   

如上图，XPath的解析语法稍显复杂，不过熟悉了语法的话也不失为一种优秀的解析手段，因为。

安装途径: pip install lxml

四种方式总结

正则表达式匹配不推荐，因为已经有很多现成的库可以直接用，不需要我们去大量定义正则表达式，还没法复用，在此仅作参考了解。

BeautifulSoup是基于DOM的方式，简单的说就是会在解析时把整个网页内容加载到DOM树里，内存开销和耗时都比较高，处理海量内容时不建议使用。不过BeautifulSoup不需要结构清晰的网页内容，因为它可以直接find到我们想要的标签，如果对于一些HTML结构不清晰的网页，它比较适合。

XPath是基于SAX的机制来解析，不会像BeautifulSoup去加载整个内容到DOM里，而是基于事件驱动的方式来解析内容，更加轻巧。不过XPath要求网页结构需要清晰，而且开发难度比DOM解析的方式高一点，推荐在需要解析效率时使用。

requests-html 是比较新的一个库，高度封装且源码清晰，它直接整合了大量解析时繁琐复杂的操作，同时支持DOM解析和XPath解析两种方式，灵活方便，这是我目前用得较多的一个库。

除了以上介绍到几种网页内容解析方式之外还有很多解析手段，在此不一一进行介绍了。

写一个爬虫，最重要的两点就是如何抓取数据，如何解析数据，我们要活学活用，在不同的时候利用最有效的工具去完成我们的目的。