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

Python | 2010-04-20 20:04:16 | 阅读 7729 次 | 评论(0)
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')只能得到第一个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势,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,看来以后如非必要不再考虑HTMLParser了,用起来也不如pyquery方便,正则速度倒是很快,功能也强大,前两者能提取的内容用正则全部都能实现,而正则能实现的功能前两者就不一定能实现了。只是正则的可读性不好。以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,以后维护起来方便
文章评论,共0条
游客请输入验证码
浏览1857133次
文章归档
最新评论
  • 静夜思:它下面的,直到ob_get_clean() 为止
  • 静夜思:9年了,当年解决这个问题的思路记忆犹新😊