Python 开发轻量级爬虫06

Python 开发轻量级爬虫

(imooc总结06--网页解析器)

介绍网页解析器

    将互联网的网页获取到本地以后，我们需要对它们进行解析才能够提取出我们需要的内容。

    也就是说网页解析器是从网页中提取有价值数据的一种工具，对于搜索引擎来说它会提取出网页所有的url，用于后续的访问。

    但是，对于我们定向爬虫来说，除了提取出待爬取的url之外，会提取出我们感兴趣的想要的有价值的数据。

    也就是说，网页解析器会以下载好的HTML网页字符串作为输入，然后提取出有价值的数据和新的待爬取的url列表。

Python有哪几种网页解析器呢？

    最直观的一种使用正则表达式，它会将整个网页当做一个字符串，然后使用模糊匹配方式来提取出有价值数据。

    虽然直观，但是文档要是比较复杂的话，这种方式非常的麻烦。

    我们可以使用python自带的html.parser来解析网页。

    可以使用BeautifulSoup这个第三方插件来解析网页。

    可以使用lxml这个第三方的插件来解析html网页或xml网页。

    其中BeautifulSoup这个第三方插件，它可以使用python自带的html.Parser作为它的解析器，也可以用lxml作为它的解析器，相对来说比较强大。

    这里使用BeautifulSoup来解析网页。

    其中正则表达式是一种字符串型的模糊匹配，另外三种是结构化的解析。

    什么是结构化的解析呢？

    是将整个网页文档下载成一个DOM(document object model)树，

    也就是document object model文档对象模型这么一棵树，以树的形式来进行元素的上下级遍历和访问的。

    DOM树是W3C官方定义的访问解析html的标准接口。

    它会将整个网页的文档当成document对象，在它的下面就是html根节点，再下面就是head元素和body元素，head元素下面又会包含titile元素每个元素。

    如果没有子元素，就会对应文本，比如说文本“我的标题”，Body元素下也会包含很多的子元素 a元素 div元素，a元素下包含需要文本链接文本 Div元素 包含段落文本。

    同时每个元素有自身属性的话，herf就是链接元素它指定的url。

    如何使用这种方式？

    dom就将整个文档下载成树型结构，使用树型的上下级关系，可以很方便的定位到某个元素，然后访问这个元素的自身的属性、文本。

    BeautifulSoup这个第三方的插件就是使用dom的方式来解析网页的。