1.爬虫利器-Beautiful Soup 4的语法
(1)bs4语法是什么?
BeautifulSoup,就是一个第三方的库,使用之前需要安装
pip install bs4
##############################
pip进行安装,默认是从国外安装,所以需要将pip源BeautifulSoup,就是一个第三方的库,使用之前需要安装配置永久国内源
#############################
windows配置方式:
(1)打开文件资源管理器
在地址栏中输入 %appdata%
(2)手动创建一个文件夹叫做 pip
(3)在pip的文件夹里面新建一个文件 pip.ini
(4)文件中写如下内容
[global]
index-url = http://pypi.douban.com/simple
[install]
trusted-host=pypi.douban.com
####################################################
linux配置方式:
(1)cd ~
(2)mkdir .pip
(3)vi ~/.pip/pip.conf
(4)编辑内容和windows的内容一模一样
pip install bs4 pip install lxml
##################################################
bs4是什麽?
它的作用是能够快速方便简单的提取网页中指定的内容,给我一个网页字符串,然后使用它的接口将网页字符串生成一个对象,然后通过这个对象的方法来提取数据
lxml是什麽?
lxml是一个解析器,也是下面的xpath要用到的库,bs4将网页字符串生成对象的时候需要用到解析器,就用lxml,或者使用官方自带的解析器 html.parser
<------------------------------------------------------------------------------------------------------------->
bs4语法学习
通过本地文件进行学习,通过网络进行写代码
(1)根据标签名进行获取节点,只能找到第一个符合要求的节点
(2)获取文本内容和属性
属性
soup.a.attrs 返回一字典,里面是所有属性和值
soup.a['href'] 获取href属性
文本
soup.a.string
soup.a.text
soup.a.get_text()
【注】当标签里面还有标签的时候,string获取的为None,其他两个获取纯文本内容
(3)find方法
soup.find('a')
soup.find('a', class_='xxx')
soup.find('a', title='xxx')
soup.find('a', id='xxx')
soup.find('a', id=re.compile(r'xxx'))
【注】find只能找到符合要求的第一个标签,他返回的是一个对象
(4)find_all
返回一个列表,列表里面是所有的符合要求的对象
soup.find_all('a')
soup.find_all('a', class_='wang')
soup.find_all('a', id=re.compile(r'xxx'))
soup.find_all('a', limit=2) 提取出前两个符合要求的a
(5)select
选择,选择器 css中
常用的选择器
标签选择器、id选择器、类选择器
层级选择器
div h1 a 后面的是前面的子节点即可
div > h1 > a 后面的必须是前面的直接子节点
属性选择器
input[name='hehe']
select('选择器的')
【注】返回的是一个列表,列表里面都是对象
【注】find find_all select不仅适用于soup对象,还适用于其他的子对象,如果调用子对象的select方法,那么就是从这个子对象里面去找符合这个选择器的标签
########################代码---网页:http://www.shicimingju.com/book/点击打开链接
import urllib.request
import urllib.parse
from bs4 import BeautifulSoup
import time
# 给我一个url,返回一个请求对象
def handle_request(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
}
return urllib.request.Request(url=url, headers=headers)
def parse_first_page(url):
request = handle_request(url)
# 发送请求,获取响应
content = urllib.request.urlopen(request).read().decode('utf8')
time.sleep(2)
# 使用bs解析内容,生成soup对象
soup = BeautifulSoup(content, 'lxml')
# print(soup)
# 查找所有的章节链接对象
a_list = soup.select('.book-mulu > ul > li > a')
# print(ret)
# print(len(ret))
# 打开文件
fp = open('三国演义.txt', 'w', encoding='utf8')
# 遍历所有的a对象
for oa in a_list:
# 取出这个a的内容
title = oa.string
# 取出a的href属性
href = 'http://www.shicimingju.com' + oa['href']
print('正在下载%s......' % title)
# 向href发送请求,直接获取到解析之后的内容
neirong = get_neirong(href)
print('结束下载%s' % title)
time.sleep(2)
string = '%s\n%s' % (title, neirong)
# 将string写入到文件中
fp.write(string)
fp.close()
def get_neirong(href):
# 向href发送请求,获取响应,解析响应,返回内容
request = handle_request(href)
content = urllib.request.urlopen(request).read().decode('utf8')
# 生成soup对象,提取章节内容
soup = BeautifulSoup(content, 'lxml')
# 找包含章节内容的div
odiv = soup.find('div', class_='chapter_content')
neirong = odiv.text
return neirong
def main():
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
# 解析第一个页面,返回所有的章节列表
chapter_list = parse_first_page(url)
if __name__ == '__main__':
main()