python/java 解析 HTML 网页数据的几种方法简介

工做中常常与数据打交道，去网上抓取数据也成了屡见不鲜。之前就准备抽空总结下的。

最近恰好看到 http://segmentfault.com/q/1010000000124036 上这篇文章有人问到了，

并且下面有热心pythoner 已经回答了，特此整理下，以备忘。

问题：如今要抓取一批页面，并将指定标签里面的数据抓取出来，如何作到通用性好，稳定可用？

一、使用第三方库：mechanize

import mechanize
import cookielib
if __name__=='__main__':
    br = mechanize.Browser()
    br.set_cookiejar(cookielib.LWPCookieJar()) # Cookie jar
    
    br.set_handle_equiv(True) # Browser Option
    br.set_handle_gzip(True)
    br.set_handle_redirect(True)
    br.set_handle_referer(True)
    br.set_handle_robots(False)
    
    br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
    
    br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')] 
    br.open("http://apple.com")
    print br.title()

输出为Apple

对于mechanize的详细使用，参考 http://my.oschina.net/leejun2005/blog/83451

二、使用第三方库： Beautiful Soup 扩展包来解析

import urllib
from bs4 import BeautifulSoup
content = urllib.urlopen('http://www.apple.com/').read()
soup = BeautifulSoup(content)
print soup.find('title').string

输出为Apple

对于Beautiful Soup的详细使用，参考  http://www.crummy.com/software/BeautifulSoup/bs4/doc/

Python爬虫入门（8）：Beautiful Soup的用法  http://python.jobbole.com/81349/

三、使用第三方库： lxml 扩展包来解析

from lxml import html
doc = html.parse('http://www.apple.com/')
title = doc.find('.//title').text
print title

四、可使用第三方库： pyquery （常常与 lxml 结合使用）

from pyquery import PyQuery as pq
d = pq(url='http://apple.com')
print 'Title: ', d('title').text()

五、直接使用正则来解析：

import urllib
import re
url='http://apple.com'
html = urllib.urlopen(url).read()
m = re.findall(r"<title>(.*)</title>", html)
print m[0]

输出为Apple

有关python正则的使用请见《Python正则表达式操做指南》 

http://wiki.ubuntu.org.cn/Python%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E6%93%8D%E4%BD%9C%E6%8C%87%E5%8D%97

注：

以上几种方法中，推荐优先使用前 4 种，或者有其它优秀的第三方库你也能够尝试。

之因此不推荐最后的正则解析缘由有2：

（1）HTML存在一些标签不规范的场景，如<p>, <BR>, 等能够单独出现，不用配对出现，

你能够简单的认为他的语法很是灵活，不像 xml 那样限制的很严格，之因此浏览器能解析是由于

浏览器背后作了许多鲜为人知的解析工做，若是你要用正则来作，你也须要考虑不少状况，

并且通用性也会大打折扣。这也是建议你选择第三方库的主要缘由。

（2）直接用正则这么解析，在面对复杂的抓取的时候，正则的性能会是严重的瓶颈。

REF：

Python网页解析：BeautifulSoup vs lxml.html

http://my.oschina.net/apoptosis/blog/118647

六、在 java 中你可使用 jsoup 来方便的解析 html 标签：

使用 jsoup 对 HTML 文档进行解析和操做

http://www.ibm.com/developerworks/cn/java/j-lo-jsouphtml/

http://jsoup.org/cookbook/extracting-data/example-list-links

https://github.com/code4craft/jsoup-learning    jsoup-learning

 public static void parseHtmlTag(String html) throws IOException {
		// Document doc = Jsoup.parse(html);
		Document doc = Jsoup.connect("http://www.hao123.com").get();
		Elements links = doc.select("a[href]");
		for (Element link : links) {
			System.out.println(link.attr("abs:href") + "\t" + link.text());
		}
	}

http://www.hao123.com#	再也不提醒
http://go.client.baidu.com/?linkid=211	
http://www.hao123.com	设为主页
http://www.hao123.com/redian/tongzhi.htm	主页修复
...