bs4的使用

bs4的使用

要求:

要爬取的网址:http://manhua.dmzj.com/update_1.shtml

需要Beautiful Soup库
需要urllib2库
  1. 使用Beautiful soup
    from bs4 import BeautifulSoup
  2. 爬取网页的内容
    newurl='http://manhua.dmzj.com/update_%d.shtml'
            request=urllib2.Request(newurl)
            response=urllib2.urlopen(request)
            content =response.read()

  3. 使用find_all语句
    newurl='http://manhua.dmzj.com/update_%d.shtml'
            request=urllib2.Request(newurl)
            response=urllib2.urlopen(request)
            content =response.read()
            soup=BeautifulSoup(content)
            text=soup.find_all('div',class_='boxdiv1')
            for k in text:
                a=(k.get_text())
                print a
    
    
    get_text是按文本格式输出
  4. 查找<a>标签里面是否有链接和图片网址
    for link in k.find_all("a"):
                    if 'href' in  link.attrs:
                       url="url:"+"http://manhua.dmzj.com"+link.attrs['href']
                       print url
                for link in k.find_all("img"):
                    if 'src' in link.attrs:
                       img="img:"+link.attrs['src']
                       print img

  5. 整体输出并写入文本文档
    list=a+url+"\n"+img
                print list
                f1 = open('03.txt','a')
                f1.write(list.encode('utf-8'))
                f1.close()

  6. 实现爬取多页
    for i in range(1,7):
            newurl='http://manhua.dmzj.com/update_%d.shtml'%i

整体的代码:
__author__ = 'kkk'
#--*--coding:utf-8--*--
from bs4 import BeautifulSoup
import urllib2
url='http://manhua.dmzj.com/update_1.shtml'
for i in range(1,7):
        newurl='http://manhua.dmzj.com/update_%d.shtml'%i
        request=urllib2.Request(newurl)
        response=urllib2.urlopen(request)
        content =response.read()
        soup=BeautifulSoup(content)
        text=soup.find_all('div',class_='boxdiv1')
        for k in text:
            a=(k.get_text())
            print a
           
            for link in k.find_all("a"):
                if 'href' in  link.attrs:
                   url="url:"+"http://manhua.dmzj.com"+link.attrs['href']
                   print url
            for link in k.find_all("img"):
                if 'src' in link.attrs:
                   img="img:"+link.attrs['src']
                   print img
            list=a+url+"\n"+img
            print list
            f1 = open('03.txt','a')
            f1.write(list.encode('utf-8'))
            f1.close()


  

 
 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值