对比Java和python，两者区别：

1.python的requests库比java的jsoup简单

2.python代码简洁，美观，上手容易

3.python的scrapy爬虫库的加持 + 100000000分

4.python对excel的支持性比java好

5.java没有pip这样的包管理工具。

总之，爬虫简单操作易上手。

为什么python写爬虫有优势？

Python独特的优势是写爬虫的关键。

1) 跨平台，对Linux和windows都有不错的支持;

2) 科学计算、数值拟合：Numpy、Scipy;

3) 可视化：2d：Matplotlib, 3d: Mayavi2;

4) 复杂网络：Networkx、scrapy爬虫;5)交互式终端、网站的快速开发。

用Python爬取信息的方法有三种：

1、正则表达式。

实现步骤分为五步：

1) 在tomcat服务器端部署一个html网页;

2) 使用URL与网页建立联系;

3) 获取输入流，用于读取网页中的内容;

4) 建立正则规则;

5) 将提取到的数据放到集合中。

2、BeautifulSoup。

Beautiful Soup支持各种html解析器，包括python自带的标准库，还有其他的许多第三方库模块。其中一个是lxml parser。借助网页的结构和属性等特性来解析网页的工具，有了它我们不用再去写一些复杂的正则，只需要简单的几条语句就可以完成网页中某个元素的提取。

3、Lxml。

Lxml是Python的一个解析库，支持HTML和XML的解析，支持xpath解析方式，而且解析效率非常高。

Lxml主要解决三个问题：

1) 有一个XML文件，如何解析;

2) 解析后，如果查找、定位某个标签;

3)定位后如何操作标签，比如访问属性、文本内容等。

当网页结构简单并且想要避免额外依赖(不需要安装库)，使用正则表达式更为合适。当需要爬取数据量较少时，使用较慢的BeautifulSoup也可以的。当数据量大时，需要追求效益时，Lxml时最好选择。