一、正則表達式

正則表達式為我們提供了抓取數據的快捷方式。雖然該正則表達式更容易適應未來變化，但又存在難以構造、可讀性差的問題。當在爬京東網的時候，正則表達式如下圖所示：

此外，我們都知道，網頁時常會產生變更，導致網頁中會發生一些微小的佈局變化時，此時也會使得之前寫好的正則表達式無法滿足需求，而且還不太好調試。當需要匹配的內容有很多的時候，使用正則表達式提取目標信息會導致程序運行的速度減慢，需要消耗更多內存。

二、BeautifulSoup

BeautifulSoup是一個非常流行的 Pyhon 模塊。該模塊可以解析網頁，並提供定位內容的便捷接口。通過'pip install beautifulsoup4'就可以實現該模塊的安裝了。

使用 BeautifulSoup的第一步是將己下載的 HTML 內容解析為 soup文檔。由於大多數網頁都不具備良好的HTML 格式，因此BeautifulSoup需要對實際格式進行確定。

BeautifulSoup能夠正確解析缺失的引號並閉合標籤，此外還會添加＜html ＞和＜body＞標籤使其成為完整的HTML文檔。通常使用find() 和find_all()方法來定位我們需要的元素。

如果你想了解BeautifulSoup全部方法和參數，可以查閱BeautifulSoup的官方文檔。雖然BeautifulSoup在代碼的理解上比正則表達式要複雜一些，但是其更加容易構造和理解。

三、Lxml

Lxml模塊使用 C語言編寫，其解析速度比 BeautiflSoup更快，而且其安裝過程也更為複雜，在此小編就不贅述啦。XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。

使用 lxml 模塊的第一步和BeautifulSoup一樣，也是將有可能不合法的HTML 解析為統一格式。雖然Lxml可以正確解析屬性兩側缺失的引號，並閉合標籤，不過該模塊沒有額外添加＜html ＞和＜body＞標籤。

在線複製Xpath表達式可以很方便的複製Xpath表達式。但是通過該方法得到的Xpath表達式放在程序中一般不能用，而且長的沒法看。所以Xpath表達式一般還是要自己親自上手。

四、CSS

CSS選擇器表示選擇元素所使用的模式。BeautifulSoup整合了CSS選擇器的語法和自身方便使用API。在網絡爬蟲的開發過程中，對於熟悉CSS選擇器語法的人，使用CSS選擇器是個非常方便的方法。

下面是一些常用的選擇器示例。

選擇所有標籤：＊
選擇＜a＞標籤： a
選擇所有class＝”link” 的元素： .l in k
選擇 class＝”link” 的＜a＞標籤： a.link
選擇 id= " home ” 的＜a＞標籤： a Jhome
選擇父元素為＜a＞標籤的所有＜ span＞子標籤： a > span
選擇＜a＞標籤內部的所有＜span＞標籤： a span
選擇title屬性為” Home ” 的所有＜a＞標籤： a [title=Home]

五、性能對比

lxml 和正則表達式模塊都是C語言編寫的，而BeautifulSoup則是純Python 編寫的。下表總結了每種抓取方法的優缺點。

需要注意的是。lxml在內部實現中，實際上是將CSS選擇器轉換為等價的Xpath選擇器。

六、總結

如果你的爬蟲瓶頸是下載網頁，而不是抽取數據的話，那麼使用較慢的方法（如BeautifulSoup）也不成問題。如果只需抓取少量數據，並且想要避免額外依賴的話，那麼正則表達式可能更加適合。不過，通常情況下，l xml是抓取數據的最好選擇，這是因為該方法既快速又健壯，而正則表達式和BeautifulSoup只在某些特定場景下有用。