BeautifulSoup库使用

BeautifulSoup库使用

BeautifulSoup库介绍

BeautifulSoup也是一个解析库
BS解析数据是依赖解析器的, BS支持的解析器有html.parser, lxml, xml, html5lib等, 其中lxml解析器解析速度快, 容错能力强.
BS现阶段应用的解析器多数是lxml

BeautifulSoup 使用步骤:

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text, 'lxml')
tag = soup.select("CSS选择器表达式")   # 返回一个列表

选择器分类:

• 节点选择器
• 方法选择器
• CSS选择器

CSS选择器

1.根据节点名及节点层次关系定位标签: 标签选择器  &  层级选择器
soup.select('title')
soup.select('div > ul > li')   # 单层级选择器
soup.select('div li')  # 多层级选择器

2.根据节点的class属性定位标签: class选择器(classical: 经典)
soup.select('.panel')

3.根据id属性定位标签: id选择器
soup.select('#item')

4.嵌套选择:
ul_list = soup.select('ul')  # 得到的依然是一个列表数据类型
for ul in ul_list:
  print(ul.select('li'))

# 获取节点的文本或属性:
tag_obj.string: 获取直接子文本-->如果节点内有与直系文本平行的节点, 该方法拿到的是None
tag_obj.get_text(): 获取子孙节点的所有文本
tag_obj['attribute']: 获取节点属性

练习示例:

html = '''
    <div class="panel">
        <div class="panel-heading">
            <h4>BeautifulSoup练习</h4>
        </div>
        <div>
        	这是一个div的直接子文本
        	<p>这是一个段落</p>
        </div>
		<a href="https://www.baidu.com">这是百度的跳转连接</a>
        <div class="panel-body">
            <ul class="list" id="list-1">
                <li class="element">第一个li标签</li>
                <li class="element">第二个li标签</li>
                <li class="element">第三个li标签</li>
            </ul>
            <ul class="list list-small">
                <li class="element">one</li>
                <li class="element">two</li>
            </ul>
            <li class="element">测试多层级选择器</li>
        </div>
    </div>
'''
from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')
# 1.根据节点名定位节点, 获取其文本
h4 = soup.select('h4')   # 标签选择器
print(h4[0].get_text())

# 2.根据class属性定位节点
panel = soup.select('.panel-heading')
print(panel)

# 3.根据id属性定位节点
ul = soup.select('#list-1')
print(ul)

# 4.嵌套选择
ul_list = soup.select('ul')
for ul in ul_list:
    li = ul.select('li')
    print(li)
    
# 5.单层级选择器与多层级选择器
li_list_single = soup.select(".panel-body > ul > li")
li_list_multi = soup.select(".panel-body li")

案例: requests结合BS4实现深度爬取三国演义整部小说

import requests
from bs4 import BeautifulSoup

url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=url, headers=headers)
soup = BeautifulSoup(res.text, 'lxml')
a_list = soup.select(".book-mulu ul li a")
for item in a_list:
    name = item.string
    href = item["href"]
    # print(href)
    full_url = 'http://www.shicimingju.com' + href
    detail_page = requests.get(url=full_url, headers=headers).text
    soup_detail = BeautifulSoup(detail_page, 'lxml')
    div = soup_detail.select(".chapter_content")[0]
    print(type(div.get_text()))
    with open('%s.txt' % name, 'w', encoding="utf-8") as f:
        f.write(div.get_text())