今天使用Beautifulsoup爬取了http://www.shicimingju.com/book/sanguoyanyi.html网页上的三国演义小说内容。
-bs4数据解析原理: -1.实例化一个BeautifulSoup,并且将页面源码数据加载到该对象中 -2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取 -环境安装 -pip install bs4 -pip install lxml(是一个解析器,bs4和xpath都会用到) -如何实例化BeautifulSoup对象: from bs4 import BeautifulSoup -对象实例化 -1.将本地的html文档中的数据加载到该对象中 #将本地的html文档中的数据加载到该对象中 fp = open('./text.html','r',encoding='utf-8') soup = BeautifulSoup(fp,'lxml') -2.将互联网上获取的页面源代码加载到该对象中 page_text = response.text soup = Beatifulsoup(page_text,'lxml') -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(div、a等)对应的标签 -soup.find(): -find('tagName'):等同于soup.tagName -属性定位: -soup.find('div',class_(写的话是标签就下划线)='song') -soup.find_all('tagName'):返回符合要求的所有标签(是一个列表) -select: -soup.select('某种选择器(id、class、标签。。。选择器)+标签'),返回的是一个列表 -层级选择器 -soup.select('.tang > ul > li >a ')[0] : >表示一个层级,层级选择器 -soup.select('.tang > ul a ') :空格表示多个层级,ul和a之间的li标签用空格表示 -获取标签之间的文本数据 -当定位到标签后,如soup.a.text/string/get_text获取对应文本数据 soup.select('.tang > ul a ')[0].string -text与get_text可以获取某一个标签中所有文本内容 -string只可以获取该标签下直系的文本数据 -获取标签中属性值: -soup.a['herf']
还有个重点:标签名一定要写对!!!!!
下面话不多说上代码。
import requests
from bs4 import BeautifulSoup
if __name__=='__main__':
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36'
}
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url,headers=headers).text
print(page_text)
#在首页中解析出章节的标题和详情页的url
#1.实例化对象,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 = 'http://www.shicimingju.com'+li.a['href']
#对详情页发起请求,解析出章节内容
detail_page_text = requests.get(url=detail_url,headers=headers).text
#解析出详情页相关的章节内容
detail_soup = BeautifulSoup(detail_page_text,'lxml')
div_tag = detail_soup.find('div',class_='chapter_content')
content = div_tag.text
fp.write(title+':'+content+'\n')
print(title,'爬取成功!!!')
结果上图。