1.bs4解析概述
环境安装
pip install bs4
pip install lxml
如何实例化BeautifulSoup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(page_text,'lxml')
2.将互联网上获取的页面源码加载到该对象中
page_text = response.text
soup = beatifulSoup(page_text,'lxml')
2.bs4解析具体使用讲解
提供的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')
soup.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
soup.select('.tang > ul a'):空格表示多个层级
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所有的内容
string:只可以获取该标签下的直系的文本内容
获取标签当中的属性值:
soup.a['herf']
本节代码:
from bs4 import BeautifulSoup
if __name__ == "__main__":
#将本地的html文件中的数据加载到该对象中
fp = open('./test.html','r',encoding='utf-8')
soup = BeautifulSoup(fp,'html')
print(soup)
#soup.tagName 返回的是html中的第一次出现的tagName标签
print(soup.a)
#find('tagName'):等同于soup.div
print(soup.div)
print(soup.find('div'))
#print(soup.div)
print(soup.find('div',class_='song').string)
print(soup.find_all('a'))
print(soup.select('.tang'))
print(soup.select('.tang > ul a')[0]['href'])
3.bs4解析项目实战
#爬取三国演义小说所有的章节标题和章节内容
from typing import Any, Union
import requests
from bs4 import BeautifulSoup
#对首页的页面数据进行抓取
url = 'https://www.shicimingju.com/book/sanguoyanyi.html'
headers = {
'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0"
}
page_text = requests.get(url = url ,headers = headers).content
#在首页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')
#解析章节标题和详情页的Url
li_list = soup.select('.book-mulu >ul > li')
fp = open('./sanguo.text','w',encoding='utf-8')
for li in li_list:
title = li.a.string
detail_url = 'https://www.shicimingju.com'+li.a['href']
detail_page_text = requests.get(url = detail_url,headers = headers).content
#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')
#解析到了章节内容
content = div_tag.text
fp.write(title+':'+content+'\n')
print(title+"爬取成功")
本文章为B站UP主Python网红Alex所讲的《Python超强爬虫8天速成》课后笔记。不做商用,请勿打赏!