Python抓取页面中超连接(URL)的三中方法比较(HTMLParser、pyquery、正则表达式) <转>

Python抓取页面中超连接(URL)的3中方法比较(HTMLParser、pyquery、正则表达式)

HTMLParser版：

# !/usr/bin/python # -*- coding: UTF-8 -*- import HTMLParser
class UrlParser(HTMLParser.HTMLParser):     def __init__(self):         HTMLParser.HTMLParser. __init__(self)         self.urls = []     def handle_starttag(self, tag, attrs):         if tag == ' a ':             for name,value in attrs:                 if name == ' href ':                     self.urls.append(value)     def geturls(self):         return self.urls
if __name__ == ' __main__ ':     urls = []     url = UrlParser()     url.feed( ' 1111111111<a href="http://www.bccn.net">BCCN</a>2222222<a  href="http://bbs.bccn.net">BCCN.BBS</a>333333333 ')     urls += url.geturls()     print urls

 

pyquery版：

# !/usr/bin/python # -*- coding: UTF-8 -*- from pyquery import PyQuery as pq
class UrlParser():     def __init__(self):         self.urls = []     def feed(self,data):         d = pq(data)         if d.find( ' a '):             # 关于下面一行，我用d('a').attr('href')只能获得第一个URL，暂时只会用map，不知道有没有别的够pythonic的代码            url = d( ' a ').map( lambda i, e: pq(e)( ' a ').attr( ' href '))             for u in url:                 self.urls.append(u)     def geturls(self):         return self.urls
if __name__ == ' __main__ ':     urls = []     url = UrlParser()     url.feed( ' 1111111111<a href="http://www.bccn.net">BCCN</a>2222222<a  href="http://bbs.bccn.net">BCCN.BBS</a>333333333 ')     urls += url.geturls()     print urls

 

正则表达式版：

# !/usr/bin/python # -*- coding: UTF-8 -*- import re
class UrlParser():     def __init__(self):         self.urls = []     def feed(self,data):         url = re.findall(r ''' <a(\s*)(.*?)(\s*)href(\s*)=(\s*)([\"\s]*)([^\"\']+?)([\"\s]+)(.*?)> ''',data,re.S|re.I)         for u in url:             self.urls.append(u[6])     def geturls(self):         return self.urls
if __name__ == ' __main__ ':     urls = []     url = UrlParser()     url.feed( ' 1111111111<a href="http://www.bccn.net">BCCN</a>2222222<a  href="http://bbs.bccn.net">BCCN.BBS</a>333333333 ')     urls += url.geturls()     print urls

 

 

速度比较：正则表达式 > pyquery > HTMLParser

测试的时候遍历大约1000个页面，正则表达式占绝对优点，这3个速度比例大约是 8:2:1

HTMLParser最慢，pyquery速度大约是它的2倍，正则的速度是它的8倍，看来之后如非必要再也不考虑HTMLParser了，用起 来也不如pyquery方便，正则速度却是很快，功能也强大，前二者能提取的内容用正则所有都能实现，而正则能实现的功能前二者就不必定能实现了。只是正 则的可读性很差。之后遇到数据量大的用正则表达式，数据量不大不考虑时间因素但逻辑复杂的的用pyquery，之后维护起来方便Python抓取页面中超连接(URL)的三中方法比较(HTMLParser、pyquery、正则表达式)