bs4解析案例实战——爬取三国演义小说所有章节标题和章节内容

目标

爬取三国演义小说所有章节标题和章节内容
网址：https://www.shicimingju.com/book/sanguoyanyi.html

思路

先使用通用爬虫爬取当前页面
解析页面当中提供的所有页面标题
获取标题所对应内容的详情页的链接地址
将详情页中的章节内容提取出来

对首页页面数据进行爬取

import requests
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url).text
#page_text #用来检验是否获取成功

在首页中解析出标题和详情页url

还是需要打开索要爬取的页面，检查元素：

找到标题对应的页面元素，在这里是

用beautifulsoup的层级选择器select

li_list = soup.select('.book-mulu > ul > li')

详情页的url即a的href，但是不完整，真正的url需要加上http:…

detail_url = 'https://www.shicimingju.com'+li.a['href']

遍历获取其他：

for li in li_list:
    title = li.a.string#章节标题
    detail_url = 'https://www.shicimingju.com'+li.a['href']

对详情页发出请求：

detial_page_text = requests.get(url=detail_url).text

解析出来该详情页的章节的内容：

detial_page_text = requests.get(url=detail_url).text
    #解析出详情页中章节的数据
    detial_soup = BeautifulSoup(detial_page_text,'lxml')
    div_tag = detial_soup.find('div',class_="chapter_content")
    #解析到了章节的内容
    content = div_tag.text

并保存成.txt文件

fp = open('./sanguo.txt','w',encoding='utf-8')

fp.write(title +':'+content+'\n')

代码整合

from bs4 import BeautifulSoup

#1.实例化beautifulsoup对象，需要将页面源码数据加载到该对象中
soup = BeautifulSoup(page_text,'lxml')

#2.解析章节标题和详情页的url
li_list = soup.select('.book-mulu > ul > li')#层级选择器
fp = open('./sanguo.txt','w',encoding='utf-8')
for li in li_list:
    title = li.a.string#章节标题
    detail_url = 'https://www.shicimingju.com'+li.a['href']
    #对详情页发出请求，解析出章节内容
    detial_page_text = requests.get(url=detail_url).text
    #解析出详情页中章节的数据
    detial_soup = BeautifulSoup(detial_page_text,'lxml')
    div_tag = detial_soup.find('div',class_="chapter_content")
    #解析到了章节的内容
    content = div_tag.text
    #循环写入
    fp.write(title +':'+content+'\n')

    print(title,'爬取成功!')

运行结果