本文实例为大家分享了python网络爬虫的笔记，供大家参考，具体内容如下

（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 reimport lxml.html#下载网页并返回HTMLdef 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-1) return htmlhtml = 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

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。