[ Python ] 爬虫类库学习之 bs4

安装：pip install bs4，pip install lxml

文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

---

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(fp, 'lxml' )

• 2、将互联网上获取的页面源码加载到该对象中

response = requests.get(url, data, headers=headers)

page_text = response.text

soup = BeatifulSoup(page_text, 'lxmL')

数据解析的方法和属性

• 1、标签定位

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_all('tagName')  # 返回符合要求的所有标签(列表)

• 2、属性定位

soup.find( 'div', class_/id/attr= '属性值')

• 3、select选择器

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 > 1i > a')  # >表示的是一个层级
soup. select('.tang > ul a')  # 空格表示的多个层级

• 4、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

• 5、获取标签中属性值

soup.a['href']

三国演义

• 爬取三国演义小说
• 爬取链接：http://www.shicimingju.com/book/sanguoyanyi.html
  

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/78.0.3904.108 Safari/537.36'
    }
    url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    page_text = requests.get(url, headers=headers).text

    soup = BeautifulSoup(page_text, 'lxml')
    li_list = soup.select('.book-mulu > ul > li')
    fp = open('./三国演义.txt', 'w', encoding='utf-8')
    for li in li_list:
        title = li.a.string
        detail_url = 'http://www.shicimingju.com' + li.a['href']
        detail_page_text = requests.get(detail_url, headers=headers).text
        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！！')

    print('数据爬取结束！！')

来源：爬虫开发入门丨老男孩IT教育

---