bs4进行数据爬取

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!')