BS4应用+实例

bs4进行数据解析

-进行数解析的原理：

1. 标签定位
2. 提取标签，标签中属性的值

-bs4数据解析的原理：

1. 实例化一个beautifulSbeoup的对象，并且将相关源码加载到对象中。
2. 通过调用beautifulSbeoup对象中的相关方法进行标签的定位和数据的提取。

-环境的安装

1. pip install bs4
2. pip install lxml

-如何实例化对象:

• from bs4 import BeautifulSoup
• 对象的实例化
  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 = BeautifulSoup(fp,‘lxml’)
  2. 将互联网上获取的页面加载到该对象中。
     page_text= response.text
     soup = BeautifulSoup(page_text,‘lxml’)
• 提供用于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(‘tagName’):等同于soup.div
    • 属性定位：
      soup.find(‘div’,class_/id/attr=‘song’)
  • oup.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()
  -text/get_text():可以获取某一个标签中所有的文本内容
  -string：只可以获取该标签下面直系的文本内容
• 获取标签中属性值：
  -soup.a[‘href’]

import requests
import time
from bs4 import BeautifulSoup
#爬取小说元尊 网站：http://www.loubiqu.com/0_383/
if __name__ == "__main__":
    # 对首页的页面数据进行爬取
    headers={
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.104 Safari/537.36'
    }
    url='http://www.31xs.org/34/34555/'
    page_text=requests.get(url=url,headers=headers)
    page_text.encoding='utf-8'
    #print(page_text.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.text, 'lxml')
    li_list = soup.select('.box_con  dd')
    fp = open('./斗罗大陆4终极斗罗.txt', 'w', encoding='utf-8')
    for li in li_list:
        title = li.a.string
        detail_url = 'http://www.31xs.org' + 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)
        detail_page_text.encoding='utf-8'
        detail_page_text1 = detail_page_text.text
        # 解析出详情页中相关的章节内容
        detail_soup =BeautifulSoup(detail_page_text1, 'lxml')
        div_tag = detail_soup.find('div', id='content')
        # 解析到了章节的内容
        content =div_tag.get_text()
        fp.write(title + ':' + content + '\n')
        print(title,'爬取成功！！！')

爬取小说的模板