Python爬虫bs4解析描述

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！