Python网络爬虫笔记（一）：网页抓取方式和LXML示例

（一）   三种网页抓取方法

1、    正则表达式：

模块使用C语言编写，速度快，但是很脆弱，可能网页更新后就不能用了。

2、    Beautiful Soup

模块使用Python编写，速度慢。

安装：

pip install beautifulsoup4

3、    Lxml

模块使用C语言编写，即快速又健壮，通常应该是最好的选择。

（二）   Lxml安装

pip install lxml

如果使用lxml的css选择器，还要安装下面的模块

pip install cssselect

（三）   使用lxml示例

import urllib.request as re
import lxml.html
#下载网页并返回HTML
def download(url,user_agent='Socrates',num=2):
    print('下载:'+url)
    #设置用户代理
    headers = {'user_agent':user_agent}
    request = re.Request(url,headers=headers)
    try:
        #下载网页
        html = re.urlopen(request).read()
    except re.URLError as e:
        print('下载失败'+e.reason)
        html=None
        if num>0:
            #遇到5XX错误时，递归调用自身重试下载，最多重复2次
            if hasattr(e,'code') and 500<=e.code<600:
                return download(url,num=num-1)
    return html
html = download('https://tieba.baidu.com/p/5475267611')
#将HTML解析为统一的格式
tree = lxml.html.fromstring(html)
# img = tree.cssselect('img.BDE_Image')
#通过lxml的xpath获取src属性的值，返回一个列表
img = tree.xpath('//img[@class="BDE_Image"]/@src')
x= 0
#迭代列表img,将图片保存在当前目录下
for i in img:
    re.urlretrieve(i,'%s.jpg'%x)
    x += 1