bs4使用与实战

bs4数据解析的原理

1. 实例化一个BeautifulSoup对象，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

如何实例化BeautifulSoup对象

from bs4 import BeautifulSoup

对象的实例化：

• 将本地的html文档中的数据加载到该对象中
• 将互联网上获取的页面源码加载到该对象中
• 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('tagName')  #等同于soup.tagName
soup.find('div',class_='song')

soup.find_add('tagName')  #返回符合要求的所有标签（它是一个列表）

soup.select(某种'选择器')  #返回的是一个列表
   # 层级选择器的使用
    soup.select('.tang > ul > li > a')[0]  #返回第一个a标签，>表示的是一个层级
    soup.select('.tang > ul a')  #空格表示的是多个层级

获取标签之间的文本数据：

soup.tagName.text/string/get_text()
#text/get_text()  可以获取某一个标签中所有的文本内容
#string  只可以获取该标签下面直系的文本内容
 

获取标签中属性值：

soup.a['href]

---

爬取三国演义的章节和内容

# author：CSK
# date：2020/5/22
# -*- coding: utf-8 -*-

# 爬取三国演义小说所有的章节标题和章节内容

from bs4 import BeautifulSoup
import requests


if __name__ == '__main__':
    #对首页的页面数据进行爬取
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }

    url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    page_text = requests.get(url=url,headers=headers).text

    # 在首页中解析出章节的标题和详情页的url
    # 1.实例化BeautifulSoup元旦，需要将页面源码数据加载到该对象中
    soup = BeautifulSoup(page_text,'lxml')
    # 2.解析章节标题和详情页的url
    li_list = soup.select('.book-mulu > ul > li')

    fp = open('./sanguo.txt','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')
        # 解析到了章节的内容
        content = div_tag.text
        fp.write(title+':'+content+'
')
        print(title,'爬取成功')