bs4数据解析

bs4解析

• 数据解析的通用原理是什么？（解析的数据只会存在于标签之间或者属性中）

  • html是用来展示数据。
  • 原理流程：
    • 标签定位
    • 数据的提取

• bs4数据解析的解析原理/流程

  • 实例化一个BeautifulSoup的对象，且将等待被解析的数据加载到该对象中
    • 方式1：
      • BeautifulSoup(fp,‘lxml’):解析本地存储的html文件
    • 方式2：
      • BeautifulSoup(page_text,‘lxml’):解析互联网上请求到的页面数据)
  • 调用BeautifulSoup对象中的相关方法和属性进行标签定位和数据的提取

• 标签定位

  • soup.tagName:返回第一次出现的tagName标签
  • 属性定位：soup.find(‘tagName’,attrName=‘value’)
  • findAll和find的用法一样，但是返回值不一样
  • 选择器定位：
    • select(‘selector’)

• 数据的提取

  • 提取标签中存在的数据
    • .string:取出标签直系的文本内容
    • .text：取出标签中所有的文本内容
  • 提取标签属性中存储的数据
    • tagName[‘attrName’]

import requests
from bs4 import BeautifulSoup
headers = {
"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36'
}
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url, headers=headers).text
fp = open('./sanguo.txt', 'a+', encoding='utf-8')
soup = BeautifulSoup(page_text, 'lxml')
a_list = soup.select('.book-mulu > ul > li > a')
for a in a_list:
    title = a.string
    detail_url = 'http://www.shicimingju.com' + a['href']
    page_detail_text = requests.get(url=detail_url, headers=headers).text
    soup = BeautifulSoup(page_detail_text, 'lxml')
    content = soup.find('div', class_='chapter_content').text
    fp.write(title+':'+content+'\n')
    print(title, '下载成功')