网页抓取解密( 3.LxmlLxml网页源码（css选择器）性能对比与结论 )

　　网页抓取解密(

3.LxmlLxml网页源码（css选择器）性能对比与结论

)

　　from bs4 import BeautifulSoup

>>> soup = BeautifulSoup(html, "html.parser") #用html解释器对得到的html文本进行解析

>>> tr = soup.find(attrs={"id":"places_area__row"})

>>> tr

Area: 244,820 square kilometres

>>> td = tr.find(attrs={"class":"w2p_fw"})

>>> td

244,820 square kilometres

>>> area = td.text

>>> print(area)

244,820 square kilometres

　　3. Lxml

　　Lxml 是一个基于 libxml2 的 Python 包，一个 XML 解析库。模块采用C语言编写，解析速度比BeautifulSoup快。书中对比分析得出的结论，抓取一个网页后抓取数据的一般步骤是：首先解析网页源代码（这3种方法中使用lxml），然后选择抓取数据（css选择器)

　　#先解析网页源码（lxml）示例

import lxml.html

broken_html = "AreaPopulation"

tree = lxml.html.fromstring(broken_html) #解析已经完成

fixed_html = lxml.html.tostring(tree, pretty_print=True)

print(fixed_html)

#output

#b'\nArea\nPopulation\n\n'

　　#解析网页源码（lxml）后使用css选择器提取目标信息

import lxml.html

import cssselect

html = download("http://example.webscraping.com/view/Aland-Islands-2") #下载网页

html = str(html)

tree = lxml.html.fromstring(html) #解析已经完成

td = tree.cssselect("tr#places_area__row > td.w2p_fw")[0] #选择id="plac..."名为tr的标签下的，class="w2p..."名为td的标签中[0]元素

area = td.text_content() #目标信息area值为td标签中的text信息

print(area)

　　以上三种方法的性能对比及结论：