- 数据解析原理:
标签定位;提取标签、标签属性中存储的数据值。
- bs4进行数据解析的原理:
实例化一个BeautifulSoup对象,并且将页面源码数据加载到该对象中;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:
BeautifulSoup存在于bs4这个模块中,所以要先安装bs4,同理安装lxml是一个解析器
-
如何实例化BeautifulSoup对象:
(1)from bs4 import BeautifulSoup
(2)对象实例化:
将本地的html文档中的数据加载到该对象中;
fp=open(‘html文件名’,‘r’,encoding=‘utf-8’)
soup=BeautifulSoup(fp,‘lxml’)
将互联网上获取的页面源码加载到该对象中(常用的)
page_text=response.text
soup=BeautifulSoup(page_text,‘lxml’)
(3)提供用于数据解析的方法和属性
soup.tagName 返回的是html中第一次出现的tagName标签
soup.find() find(‘tagName’):等同于soup.div
属性定位:soup.find(‘标签名’,class_=‘具体属性名’)
soup.find_all(‘tagName’):返回符合要求的所有标签(列表)
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(’.t>div>li>a’) >表示的是一个层级
soup.select(.t>ul a’) 空格表示多个层级
(4)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的直系文本内容(5) 获取标签中属性值:soup.a[‘href’]
即获取的是href后面的蓝字部分 -
bs4应用
本次应用案例是有关诗词名句网站,三国演义的爬取,要将其每一回的题目和单击题目之后的详情页一并抓取。
具体爬取流程讲解写入注释,请看代码理解即可,这里顺便将作者学习视频链接送上 -
代码块
import requests
from bs4 import BeautifulSoup
# 对首页页面进行抓取
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36'
}
url='http://www.shicimingju.com/book/sanguoyanyi.html'
page_text=requests.get(url=url,headers=headers).text.encode('iso-8859-1') # .encode('iso-8859-1')一定要记得加,否则出现乱码结果
# 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,'lxml')
#print(page_text.apparent_encoding)
# 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url的拼接
detail_url='https://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.encode('iso-8859-1')
# 解析出详情页中相关的章节内容
detail_soup=BeautifulSoup(detail_page_text,'lxml')
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,'抓取完成!')
- 结果展示
一百二十回全部拿下,只能说一句辛苦服务器了!!!