1、bs4
(1)bs4的概念:
是一个Python的第三方模块，用来解析html数据，其提供的api接口非常的人性化。
(2)安装包：
pip install bs4
pip install lxml 这个是一个解析器，用来将文档生成对象
(3)如何切换:
（a）指令切换， -i 源地址 只针对于这一次的指令安装生效
（b）永久切换，在指定地方写一个配置文件即可
(4)安装方法:
windows中安装:
（a）在文件资源管理器上面输入 %appdata%
（b）手动创建一个pip的文件夹
（c）新建一个文件 pip.ini
（d）写入如下内容即可
[global]
timeout = 6000
index-url = http://pypi.douban.com/simple
trusted-host = pypi.douban.com
linux中安装:
（a）cd ~
（b）mkdir ~/.pip
（c）vi ~/.pip/pip.conf
（d）编辑内容和windows的内容一模一样
(5)相关语法:
from bs4 import BeautifulSoup
步骤：通过BeautifulSoup这个类，可以将你的html文档生成一个对象，然后这个对象会有一些方法供你使用，就可以得到你想要的节点内容、或者节点属性
可以将本地文件或者网络文件生成对象，先从本地开始学习
（1）根据标签名进行查找
soup.a 只能得到第一个符合要求的标签
（2）获取属性
soup.a.attrs 返回一个字典，里面包含所有的属性和值
soup.a.attrs['href']
soup.a['href']
（3）获取标签内容
obj.string
obj.text
obj.get_text()
如果标签里面只有内容，那么三个获取结果都一样
如果标签里面还有标签，那么第一个获取的是None，后两个获取的是纯文本内容
（4）find方法
soup.find('a', title='xxx')
soup.find('a', id='xxx')
soup.find('a', class_='xxx')
返回一个对象，只能找到第一个符合要求的节点
选看：soup.find('a', class_=re.compile(r'xxx')) 可以写正则表达式，一般用的不多
（5）find_all方法
返回一个列表,列表里面都是对象
用法和上面的find一样，只不过这个是找到所有，find只是找到一个
soup.find_all('a', limit=2) 取出前两个
（6）select方法
根据选择器得到自己想要的节点
常用的选择器：
标签选择器 a div
类选择器 .lala .dudu
id选择器 #lala #dudu
后代选择器
div .lala a : 后面的是前面的子节点就行
div > p > a ：后面的必须是前面的直接子节点才行
群组选择器 div, #lala, .dudu
属性选择器 input[name=xxx] div[class=xxx]
返回的是一个列表，就算选择器精确到一个，也是一个列表，列表中只有一个对象
也可以通过子对象来查找内容，得到当前子对象里面符合要求的标签内容2、bs4实例
(1) 爬取三国演义小说
import urllib.request
import time
from bs4 import BeautifulSoup
def parse_first():
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
request = handle_request(url)
# 发送请求，得到响应
content = urllib.request.urlopen(request).read().decode('utf8')
# 解析内容
soup = BeautifulSoup(content, 'lxml')
# 得到所有的章节链接
oa_list = soup.select('.book-mulu > ul > li > a')
fp = open('三国演义.txt', 'w', encoding='utf8')
# print(oa_list)
# print(len(oa_list))
# 遍历列表，通过对象依次获取内容和链接
for oa in oa_list:
# 得到链接
href = 'http://www.shicimingju.com' + oa['href']
# 得到章节标题
title = oa.text
print('正在下载%s......' % title)
# 向href发送请求，通过bs得到该章节的内容
text = get_text(href)
string = title + '\n' + text + '\n'
fp.write(string)
print('结束下载%s' % title)
time.sleep(2)
fp.close()
def get_text(href):
request = handle_request(href)
content = urllib.request.urlopen(request).read().decode('utf8')
soup = BeautifulSoup(content, 'lxml')
odiv = soup.find('div', class_='chapter_content')
return odiv.text
def handle_request(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
request = urllib.request.Request(url=url, headers=headers)
return request
def main():
parse_first()
if __name__ == '__main__':
main()(2)爬取智联招聘岗位信息
import urllib.request
import urllib.parse
from bs4 import BeautifulSoup
import time
class ZhiLianSpider(object):
def __init__(self, jl, kw, start_page, end_page):
# 将这些都保存到成员属性中
self.jl = jl
self.kw = kw
self.start_page = start_page
self.end_page = end_page
self.url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?'
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def run(self):
# 打开文件
self.fp = open('work.txt', 'w', encoding='utf8')
# 要爬取多页，所以需要循环爬取
for page in range(self.start_page, self.end_page + 1):
print('正在爬取第%s页......' % page)
request = self.handle_request(page)
# 发送请求，获取响应
content = urllib.request.urlopen(request).read().decode('utf8')
# 解析内容
self.parse_content(content)
print('结束爬取第%s页' % page)
time.sleep(2)
self.fp.close()
def parse_content(self, content):
# 生成soup对象
soup = BeautifulSoup(content, 'lxml')
# 提取内容
# 首先提取所有的table
otable_list = soup.find_all('table', class_='newlist')
# print(len(otable_list))
# 过滤掉表头
otable_list = otable_list[1:]
# 遍历这个列表，依次提取每一个工作的详细信息
for otable in otable_list:
# 职位名称
zwmc = otable.select('.zwmc > div > a')[0].text.rstrip('\xa0')
# 公司名称
gsmc = otable.select('.gsmc > a')[0].string
# 职位月薪
zwyx = otable.select('.zwyx')[0].string
# 工作地点
gzdd = otable.select('.gzdd')[0].string
# print(zwmc)
# exit()
# 保存到字典中
item = {
'职位名称': zwmc,
'公司名称': gsmc,
'职位月薪': zwyx,
'工作地点': gzdd,
}
self.fp.write(str(item) + '\n')
def handle_request(self, page):
# 拼接url
# 将get参数写成一个字典
data = {
'jl': self.jl,
'kw': self.kw,
'p': page
}
# 处理data
data = urllib.parse.urlencode(data)
url = self.url + data
# print(url)
request = urllib.request.Request(url=url, headers=self.headers)
return request
def main():
# 工作地点
jl = input('请输入工作地点:')
# 工作关键字
kw = input('请输入工作职位关键字:')
# 起始页码和结束页码
start_page = int(input('请输入起始页码:'))
end_page = int(input('请输入结束页码:'))
# 面向对象封装
zhilian = ZhiLianSpider(jl, kw, start_page, end_page)
zhilian.run()
if __name__ == '__main__':
main()