目录
课前案例
通过requests模块爬取指定网站中的图片并保存到本地目录中。
import re
import threading
import uuid
from pathlib import Path
import requests
# 定义一个函数用于下载图片
def download(url):
# 生成一个唯一的文件名，使用uuid4生成的随机UUID加上.jpg后缀
filename = str(uuid.uuid4()) + ".jpg"
# 打印一条消息，告知用户正在下载图片
print(f"正在下载{filename}图片，请稍等。。。")
# 创建一个文件路径对象，路径为"imgs\\"加上生成的文件名
p = Path("imgs\\" + filename)
# 创建一个空文件，如果文件不存在的话
p.touch()
# 发送GET请求到图片的URL，获取图片内容
f = requests.get(url)
# 将获取到的图片内容写入到之前创建的文件中
p.write_bytes(f.content)
# 设置爬取网页地址
resp = requests.get('http://www.deskcity.org/animals/') # 注意：这里需要提供一个有效的URL
# 设置编码格式
resp.encoding = 'utf-8'
# 使用正则表达式查找resp.text中所有<img>标签的src属性值
rs = re.findall(r'<img src="(.*?)"', resp.text)
# 创建一个线程列表用于存储所有下载线程
threads = []
# 遍历从HTML中提取的图片URL列表
for url in rs:
# 创建一个线程，目标是执行download函数，参数是当前的URL
t = threading.Thread(target=download, args=(url,))
t.start() # 启动线程
threads.append(t) # 将线程添加到线程列表中
# 等待所有线程结束
for t in threads:
t.join()
print('结束')
上述案例采用的是同步方式下载图片，效率太低。异步方式如下（线程）：
# target为目标函数；args中传入的是download函数的参数url threading.Thread(target=download,args=(url,)).start()
注意：args为元组格式，如果传入一个参数注意后面必须跟着一个逗号；线程配置完毕之后记得调用start方法启动线程。
Beautiful Soup
什么是Beautiful Soup
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.
解析器
Beautiful Soup支持Python标准库中的HTML解析器，还支持一些第三方的解析器：
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") | Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") | 速度快文档容错能力强 | 需要安装C语言库 |
| lxml XML 解析器 | BeautifulSoup(markup, ["lxml-xml"])``BeautifulSoup(markup, "xml") | 速度快唯一支持XML的解析器 | 需要安装C语言库 |
| html5lib | BeautifulSoup(markup, "html5lib") | 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩展 |
安装与配置
# 安装requests模块 pip install requests==2.10.0 # 安装beautiful soup4 pip install bs4 # 安装lxml解析器 pip install lxml
快速入门
将课件资料中的index.html文件复制到python项目中即可。
解析数据
标签
每个tag都有自己的名字，通过soup.name来获取标签。
# 获取p标签 p = soup.p print(p) # 获取title标签 title = soup.title print(title)
注意：如果有多个相同的标签，则会返回第一个。
属性
一个标签可能有很多个属性。例如：标签 <b class="boldest"> 有一个 class 的属性，值为 boldest 。标签的属性的操作方法与字典相同。
-
获取指定标签的单一属性，类似字典方式
# 获取p标签的class属性 attrs = soup.p["class"] print(attrs)
注意：最常见的多值的属性是 class (一个标签可以有多个CSS的class). 还有一些属性 rel , rev , accept-charset , headers , accesskey . 在Beautiful Soup中多值属性的返回类型是list。
-
获取指定标签的单一属性，通过
attrs方式
# 通过attrs获取p标签的id属性 id_ = soup.p.attrs["id"] print(id_)
-
获取指定标签的所有属性：
# 获取指定标签的所有属性 p_attrs = soup.p.attrs print(p_attrs)
标签内容
通过.text和.string获取标签节点的内容，也可以通过.strings获取标签节点下的所有内容。
# 获取单个标签的内容 text = soup.p.text print(text) print(soup.p.string) # 获取该标签下所有的内容，返回generator生成器 strings = soup.div.strings for st in strings: print(st)
关于解析标签的使用
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world</p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
# 解析文档
soup = BeautifulSoup(html_doc,'lxml')
# 获取p标签
p = soup.p
print(p)
# 获取title标签
title = soup.title
print(title)
# 逐级获取
pp = soup.body.div.input
print('逐级获取',pp)
# 中括号的访问形式
# 获取标签某属性值
p_class = pp['type']
print(p_class)
# attrs的访问方式
# 获取标签某属性值
id_ = soup.p.attrs["id"]
print(id_)
# 查看某标签的所有属性及值
attrs = p.attrs
print(attrs)
for k,v in attrs.items():
print(k,v)
# 标签内容
print('div.text',soup.div.text)
print('div.string',soup.div.string)
strings = soup.div.strings
print(strings)
for st in strings:
print('st',st)
遍历文档树
子节点
标签小技巧获取层级子节点：
# tag小技巧获取层级子节点 print(soup.body.div.p)
.contents：将标签的子节点以列表的方式输出
# 获取div标签下的所有子节点 print(soup.body.div.contents) # 获取div标签下的第二个子节点 print(soup.body.div.contents[1]) # 获取div标签下的第二个子节点的标签名 print(soup.body.div.contents[1].name) # 获取div标签下的第二个子节点的所有属性 print(soup.body.div.contents[1].attrs)
.children：对标签的子节点进行循环
# 获取div下的的子节点
children = soup.body.div.children
print(children)
# 循环打印节点信息
for child in children:
print(child)
.descendants：对所有标签的子孙节点进行递归循环
descendants = soup.body.descendants
for des in descendants:
print(des)
更多内容请查看官网子节点。
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world<p>123</p></p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
# 解析文档
soup = BeautifulSoup(html_doc,'lxml')
# 获取div标签下的所有子节点
print(soup.div.contents)
# 获取div标签下的第二个子节点
print(soup.body.div.contents[1])
# 获取div标签下的第二个子节点的标签名
print(soup.body.div.contents[1].name)
# 获取div标签下的第二个子节点的所有属性
print(soup.body.div.contents[1].attrs)
# `.children`：对标签的子节点进行循环
for s in soup.div.children:
print('s',s)
# `.descendants`：对所有标签的子孙节点进行递归循环
descendants = soup.div.descendants
for des in descendants:
print('对所有标签的子孙节点进行递归循环',des)
父节点
.parent：获取某个元素的父节点
print(soup.p.parent)
.parents：递归得到元素的所有父辈节点
parents = soup.p.parents
for p in parents:
print(p)
更多内容请查看官网父节点。
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world</p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
# 解析文档
soup = BeautifulSoup(html_doc,'lxml')
# `.parent`：获取某个元素的父节点
print(soup.p.parent,'\n')
# `.parents`：递归得到元素的所有父辈节点
parents = soup.p.parents
for p in parents:
print(p)兄弟节点
.next_sibling：获取下级单个兄弟节点
print(soup.p.next_sibling.next_sibling)
.previous_sibling：获取上级单个兄弟节点
print(soup.body.previous_sibling.previous_sibling)
注意：在使用.next_sibling和.previous_sibling获取单个兄弟节点时，兄弟节点之间存在顿号和换行符的可能！！！
更多内容请查看官网兄弟节点。
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world<p>123</p></p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
# 解析文档
soup = BeautifulSoup(html_doc,'lxml')
# 格式化文档
# print(soup.prettify())
# 获取下级单个兄弟标签
xd = soup.p.next_sibling
print(xd)
# `.previous_sibling`：获取上级单个兄弟节点
md = soup.p.previous_sibling
print(md)搜索文档树
find
find方法，语法格式如下：
find( name , attrs , recursive , string , **kwargs )
参数说明：
| 参数 | 说明 |
|---|---|
name | 需要查找的标签名，可以是字符串、正则表达式、列表或True |
attrs | 需要查找的标签的属性，可以是字典类型或关键字参数 |
recursive | 是否递归地搜索子标签，默认为True，即会搜索所有子孙标签 |
string | 需要查找的标签中包含的文本内容 |
kwargs | 其他属性条件 |
通过find方法搜索指定的标签。
print(soup.find('p', class_="aa"))
print(soup.find('p', class_="aa", id="username"))
注意：class类样式的处理。
True 可以匹配任何值，如下示例返回第一个节点：
print(soup.find(True))
更多内容请查看官网。
find_all
find_all()方法的基本语法如下：
find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
参数说明：
| 参数 | 说明 |
|---|---|
name | 需要查找的标签名，可以是字符串、正则表达式、列表或True |
attrs | 需要查找的标签的属性，可以是字典类型或关键字参数 |
recursive | 是否递归地搜索子标签，默认为True，即会搜索所有子孙标签 |
text | 需要查找的标签中包含的文本内容 |
limit | 限制返回的结果数量，可以传入一个整数值 |
返回值：
-
如果找到满足条件的元素，则返回一个包含这些元素的列表。
-
如果未找到满足条件的元素，则返回一个空列表。
find_add方法搜索当前标签下所有子节点，并判断是否符合过滤器的条件。
all = soup.find_all('p')
for a in all:
print(a)
print(soup.find_all(["p", "input"]))
更多内容请查看官网。
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world<p>mmmm</p></p>
<p class="aa" id="pa">hello world</p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
soup = BeautifulSoup(html_doc,'lxml')
# find和find_all的区别：
# find：查一个
# find_all:查多个
# # 标签查找（返回列表格式）
# ps = soup.find_all(['p','input'])
# print(ps)
# # 根据属性查找
# pr = soup.find_all(class_='aa')
# print(pr)
#
# print(soup.find(attrs={"value":"hehe"}))css选择器
Beautiful Soup支持大部分的CSS选择器。在 Tag 或 BeautifulSoup 对象的 .select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到标签：
print(soup.select("title"))
print(soup.select("body div"))
print(soup.select("p.aa"))
from bs4 import BeautifulSoup
html_doc = """
<html>
<head><title>title</title></head>
<body>
<div>
<p class="aa" id="username">hello world<p id ='e'>mmmm</p></p>
<p class="aa" id="pa">hello world</p>
<p>hello python</p>
<p>hello girl</p>
<input class="aa" type="text" value="hehe"/>
</div>
</body>
</html>
"""
# 解析文档
soup = BeautifulSoup(html_doc,'lxml')
# CSS查询
# 类名
print(soup.div.select(".aa"))
# id
print(soup.select('#pa'))
#p标签中类名为aa
print(soup.select('p.aa'))
#div标签中的p标签
print(soup.select('div p'))
#获取属性值（id的值）
print(soup.select('.aa')[0].get("id"))3.综合案例
通过requests和Beautiful Soup4模块结合实现小说网站内容爬虫案例。
import requests # 导入requests模块，用于发送网络请求
from bs4 import BeautifulSoup # 导入BeautifulSoup模块，用于解析HTML文档
# 发送GET请求到指定的URL
resp = equests.get('https://www.readnovel.com/chapter/22376031000468402/96104372900365392')
# 获取网页文档
soup = BeautifulSoup(resp.text, 'lxml') # 使用lxml解析器解析响应的文本内容
for i in range(3): # 循环3次，用于爬取前三章的数据
print(f'正在爬取{i + 1}章数据') # 打印当前正在爬取的章节编号
with open("庆余年", "a+", encoding="utf-8") as fp: # 以追加模式打开文件"庆余年"，编码为utf-8
title = soup.find(class_='j_chapterName') # 查找具有'class_='j_chapterName'的元素
fp.write(title.string + "\n") # 将找到的章节标题写入文件，后面跟一个换行符
strings = soup.select('.ywskythunderfont')[0].strings # 选择具有'class_='ywskythunderfont'的元素，并获取其文本内容
for line in list(strings)[0:-1]: # 遍历字符串列表，跳过最后一个元素（通常是章节结束标记）
fp.write(line + "\n") # 将每一行内容写入文件，后面跟一个换行符
# 下一章
href = "小说阅读网" + soup.select('#j_chapterNext')[0]['href'] # 获取下一章的链接地址
resp = requests.get(href) # 发送GET请求到下一章的链接地址
soup = BeautifulSoup(resp.text, 'lxml') # 使用lxml解析器解析响应的文本内容
4226
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
