1.2.2 Python中實現網頁解析

所謂網頁解析器，簡單地說就是用來解析HTML網頁的工具，它主要用于從HTML網頁信息中提取需要的、有價值的數據和鏈接。在Python中解析網頁主要用到圖1-4所示的3種工具。

圖1-4　Python解析網頁常用的3種工具

一是正則表達式。正則表達式（regular expression）描述了一種字符串匹配的模式（pattern），可以用來檢查一個串是否含有某種子串，將匹配的子串替換或者從某個串中取出符合某個條件的子串等。正則表達式的優點是基本能用正則表達式來提取想要的所有信息，效率比較高，但缺點也很明顯——正則表達式不是很直觀，寫起來比較復雜。

二是Lxml庫。這個庫使用的是XPath語法，同樣是效率比較高的解析庫。XPath是一門在XML文檔中查找信息的語言。XPath可用來在XML文檔中對元素和屬性進行遍歷。XPath比較直觀易懂，配合Chrome瀏覽器或Firefox瀏覽器，寫起來非常簡單，它的代碼速度運行快且健壯，一般來說是解析數據的最佳選擇，Lxml是本書中解析網頁的主力工具。

三是Beautiful Soup。Beautiful Soup是一個可以從HTML或XML文件中提取數據的Python庫。它能夠通過我們喜歡的轉換器實現慣用的文檔導航、查找。Beautiful Soup編寫效率高，能幫程序員節省數小時甚至數天的工作時間。Beautiful Soup比較簡單易學，但相比Lxml和正則表達式，解析速度慢很多。

總結起來，無論正則表達式、Beautiful Soup庫還是Lxml庫，都能滿足我們解析網頁的需求，但Lxml使用的XPath語法簡單易學、解析速度快，是本書推薦讀者使用的網頁解析工具。