bs4只可以应用在python中
数据解析的原理:
-
标签定位
-
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:以管理员的身份打开cmd
- pip install bs4
- pip install lxml
如何实例化BeautifulSoup对象:
-
from bs4 import BeautifulSoup#引包
-
对象实例化:
-
①:将本地的html文档中的数据加载到该对象中
fp = open(’./text.html’,‘r’,encoding = ‘utf-8’)
soup = BeautifulSoup(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 = BeautifulSoup(page_text,‘lxml’) -
③:爬取标签对应的内容
print(soup.a)
#soup.tagname :返回的是html中第一次出现的tagname的标签
#soup.find('tagname') :等同于soup.tagname、
#soup.find('div',class_/id='song') :定位到div中有class='song'的div
#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')[0/1/2/3] >号代表一层,逐级递进
‘ ’空格表示多个层级 如:soup.select('.tang > ul a')[0/1/2/3] 同上
如何获取标签之间的文本数据:
定位标签之后:soup.a.text/string/get_text()
text/get_text() : 可以获取标签中所有的文本内容
string :获取标签中直系的文本内容
实战演练
需求:爬取三国演义小说之中所有的章节标题和章节内容
import requests
from bs4 import BeautifulSoup
#需求:爬取三国演义小说的所有章节和内容
if __name__ == '__main__':
#UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
#对首页的页面进行爬取
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url,headers=headers).text
#在首页中解析出章节的标题和详情页的url
#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,'html.parser')
#解析章节标题和详情页的url
li_list = soup.select('.book-mulu > ul > li')
fp = open('./sanguo.txt','w',encoding='utf-8')
for li in li_list:
title = li.a.string
#详情页面的url
detail_url = 'http://www.shicimingju.com'+li.a['href']
#对详情页发起请求,解析出章节内容
detail_page_text = requests.get(url=detail_url,headers=headers).text
#解析出相关章节内容
detail_soup = BeautifulSoup(detail_page_text,'html.parser')
div_tag = detail_soup.find('div',class_='chapter_content')
#解析到了章节的内容
content = div_tag.text
fp.write(title+':'+content+'\n')
print(title,'successful!')