在这个系列文章里面已经介绍了BeautifulSoup的替代库soup和Pyquery的替代库goquery,但其实我写Python爬虫最愿意用的页面解析组合是lxml+XPath。为什么呢?先分别说一下lxml和XPath的优势吧
lxml
lxml是HTML/XML的解析器,它用 C 语言实现的 libxml2 和l ibxslt 的P ython 绑定。除了效率高,还有一个特点是文档容错能力强。
XPath
XPath全称XML Path Language
,也就是XML路径语言
,是一门在XML文档中查找信息的语言,最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索。通过编写对应的路径表达式或者使用内置的标准函数,可以方便的直接获取到想要的任何内容,不用像soup和goquery那样要用Find方法链式的找节点再用Text之类的方法或者对应的值(也就是一句代码就拿到结果了),这就是它的特点和优势,而lxml正好支持XPath,所以lxml+XPath一直是我写爬虫的首选。
XPath与BeautifulSoup(soup)、Pyquery(goquery)相比,学习曲线要高一些,但是学会它是非常有价值的,你会爱上它。你看我现在,原来用Python写爬虫学会了XPath,现在可以直接找支持XPath的库直接用了。
另外说一点,如果你非常喜欢BeautifulSoup,一定要选择BeautifulSoup+lxml这个组合,因为BeautifulSoup默认的HTML解析器用的是Python标准库中的html.parser,虽然文档容错能力也很强,但是效率会差很多。
我学习XPath是通过w3school,可以从延伸阅读找到链接
Golang中的Xpath库
用Golang写的Xpath库是很多的,由于我还没有什么实际开发经验,所以能搜到的几个库都试用一下,然后再出结论吧。
首先把豆瓣Top250的部分HTML代码贴出来
<ol class="grid_view">
<li>
<div class="item">
<div class="info">
<div class="hd">
<a href="https://movie.douban.com/subject/1292052/" class="">
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>
<span class="other"> / 月黑高飞(港) / 刺激 1995(台)</span>
</a>
<span class="playable">[可播放]</span>
</div>
</div>
</div>
</li>
....
</ol>
复制代码
还是原来的需求:获得条目 ID 和标题
github.com/lestrrat-go/libxml2
lestrrat-go/libxml2是一个libxml2的Golang绑定库,
首先安装它:
❯ go get github.com/lestrrat-go/libxml2
复制代码
接着改代码
import (
"log"
"time"
"strings"
"strconv"
"net/http"
"github.com/lestrrat-go/libxml2"
"github.com/lestrrat-go/libxml2/types"
"github.com/lestrrat-go/libxml2/xpath"
)
func fetch(url string) types.Document {
log.Println("Fetch Url", url)
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
req.Header.Set("User-Agent", "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)")
resp, err := client.Do(req)
if err != nil {
log.Fatal("Http get err:", err)
}
if resp.StatusCode != 200 {
log.Fatal("Http status code:", resp.StatusCode)
}
defer resp.Body.Close()
doc, err := libxml2.ParseHTMLReader(resp.Body)
if err != nil {
log.Fatal(err)
}
return doc
}
复制代码
fetch 函数和之前的整体一致,doc 是用libxml2.ParseHTMLReader(resp.Body)
获得的。parseUrls的改动比较大:
func parseUrls(url string, ch chan bool) {
doc := fetch(url)
defer doc.Free()
nodes := xpath.NodeList(doc.Find(`//ol[@class="grid_view"]/li//div[@class="hd"]`))
for _, node := range nodes {
urls, _ := node.Find("./a/@href")
titles, _ := node.Find(`.//span[@class="title"]/text()`)
log.Println(strings.Split(urls.NodeList()[0].TextContent(), "/")[4],
titles.NodeList()[0].TextContent())
}
time.Sleep(2 * time.Second)
ch <- true
}
复制代码
个人觉得libxml2设计的接口用起来体验不好,每次都要用NodeList()[index].TextContent
这么麻烦的写法获得匹配值。
另外文档写的非常简陋,看项目源码,还有能用xpath.NewContext
创建一个上下文,然后用xpath.String(ctx.Find("/foo/bar"))
的方式获得对应XPath语句的结果,但依然很麻烦!
github.com/antchfx/htmlquery
htmlquery如其名,是一个对HTML文档做XPath查询的包。它的核心是antchfx/xpath,项目更新频繁,文档也比较完整。
首先安装它:
❯ go get github.com/antchfx/htmlquery
复制代码
接着按需求修改:
import (
"log"
"time"
"strings"
"strconv"
"net/http"
"golang.org/x/net/html"
"github.com/antchfx/htmlquery"
)
func fetch(url string) *html.Node {
log.Println("Fetch Url", url)
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
req.Header.Set("User-Agent", "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)")
resp, err := client.Do(req)
if err != nil {
log.Fatal("Http get err:", err)
}
if resp.StatusCode != 200 {
log.Fatal("Http status code:", resp.StatusCode)
}
defer resp.Body.Close()
doc, err := htmlquery.Parse(resp.Body)
if err != nil {
log.Fatal(err)
}
return doc
}
复制代码
fetch函数主要就是修改htmlquery.Parse(resp.Body)
和函数返回值类型*html.Node
。再看看parseUrls
:
func parseUrls(url string, ch chan bool) {
doc := fetch(url)
nodes := htmlquery.Find(doc, `//ol[@class="grid_view"]/li//div[@class="hd"]`)
for _, node := range nodes {
url := htmlquery.FindOne(node, "./a/@href")
title := htmlquery.FindOne(node, `.//span[@class="title"]/text()`)
log.Println(strings.Split(htmlquery.InnerText(url), "/")[4],
htmlquery.InnerText(title))
}
time.Sleep(2 * time.Second)
ch <- true
}
复制代码
antchfx/htmlquery
的体验比lestrrat-go/libxml2
要好,Find是选符合的节点列表,FindOne是找符合的第一个节点。
后记
通过这个爬虫算是基本了解了这2个库,还有个gopkg.in/xmlpath.v2
我没有写,主要是它很久不更新了(最近一次是2015年更新的)。
随便说一下gopkg.in,gopkg是一种包管理方式,其实是用约定好的方式「代理」Github上对应项目的对应分支的包。具体的请看延伸阅读链接2。
xmlpath.v2这个包就是Github上的go-xmlpath/xmlpath, 分支是v2。
这些库里面我推荐使用antchfx/htmlquery
,接口更好用一些。性能、功能这方面还有更多经验,如果之后发现其他问题我再写文章吧!
原文地址: strconv.com/posts/web-c…
代码地址
完整代码可以在这个地址找到。
延伸阅读
有疑问加站长微信联系(非本文作者)