資料內(nèi)容：
2.提取信息
獲取網(wǎng)頁源代碼后，接下來就是分析網(wǎng)頁源代碼，從中提取我們想要的數(shù)據(jù)。首先，最通用的方法便是采用正則表達式提取，這是一個萬能的方法，但是在構(gòu)造正則表達式時比較復(fù)雜且容易出錯。另外，由于網(wǎng)頁的結(jié)構(gòu)有一定的規(guī)則，所以還有一些根據(jù)網(wǎng)頁節(jié)點屬性、CSS選擇器或XPath 來提取網(wǎng)頁信息的庫，如Beautiful Soup、pyquery.lxml等。使用這些庫，我們可以高效快速地從中提取網(wǎng)頁信息，如節(jié)點的屬性、文本值等。提取信息是爬蟲非常重要的部分，它可以使雜亂的數(shù)據(jù)變得條理清晰,以便我們后續(xù)處理和分析數(shù)據(jù)。
