bs4

BS4的学习

bs4进行数据解析
数据解析的原理：
1.标签定位
2.提取标签、标签属性中存储的数据值
bs4数据解析的原理：
1.实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中
2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取
环境安装：
pip install bs4
pip install lxml（解析器）
如何实例化BeautifulSoup对象
下面展示一些 内联代码片。
1将本地的html文档中的数据加载到该对象中

fp = open('./test.html','r',encoding = 'utf-8'
soup = BeatifulSoup(fp,'lxml')

2.将互联网上获取的页面源码加载到该对象中
page_text = response.text
soup = BeatifulSoup(page_text,‘lxml’)

// An highlighted block
page_text = response.text
soup = BeatifulSoup(page_text,'lxml')

数据解析的方法和属性：
soup.tagName:返回的是文档中第一次出现的tagName对应的标签
soup.find():
-find(‘tangName’):等同于soup.div
属性地位：
-soup.find(‘div’,class_/id/attr = ‘song’)
- soup.find_all(‘tagName’):返回符合要求的所有标签（列表）
-select:
-select(‘某种选择器（id，class,标签…选择器）’），返回的是一个列表
-层级选择器：
soup.select(’.tang > ul >li>a’):>表示的是一个层级
oup.select(’.tang >ul a’):空格表示的多个层级

获取标签之间的文本数据
soup.a.text/string/get_text()
get_text\text()可以获取某一个标签中所有的文本内容
获取标签的属性值：
soup.a[‘href’]

实例讲解

需求爬取三国演义
链接: https://www.shicimingju.com/book/sanguoyanyi.html

# -*- coding: utf-8 -*-
import lxml
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
    headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36'
}
    #爬取首页信息
    url='http://www.shicimingju.com/book/sanguoyanyi.html'
    page_text=requests.get(url=url,headers=headers).text

    #在首页中解析出章节标题和详情页的url
    #1、实例化BeautifulSoup对象
    soup=BeautifulSoup(page_text,'lxml')
    #2、解析章节标题和url
    li_list = soup.select('.book-mulu > ul > li')
    #文本文件相关
    fp = open('./三国演义.txt','w',encoding='utf-8')
    for li in li_list:
        title=li.a.string
        detail_url='http://www.shicimingju.com'+li.a['href']
        #对详情页进行请求
        detail_page_text=requests.get(url=detail_url,headers=headers).text
        #解析出详情页中的相关的章节内容
        detail_soup=BeautifulSoup(detail_page_text,'lxml')
        div_tag=detail_soup.find('div',class_='chapter_content')
        #解析出的章节内容
        content=div_tag.text
        fp.write(title+':'+'\n'+content+'\n')
        print(title,"获取成功")
    print("三国演义爬取完成")