bs4进行数据解析
-进行数解析的原理:
- 标签定位
- 提取标签,标签中属性的值
-bs4数据解析的原理:
- 实例化一个beautifulSbeoup的对象,并且将相关源码加载到对象中。
- 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
- pip install bs4
- pip install lxml
-如何实例化对象:
- from bs4 import BeautifulSoup
- 对象的实例化
- 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’) - 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’)
- 将本地的html文档中的数据加载到该对象中
- 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