安裝:pip install bs4
,pip install lxml
文檔:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
對象的實例化
from bs4 import BeautifulSoup
- 1、將本地的
html
文檔中的數據加載到該對象中
fp = open('./test.html', 'r' , encoding='utf-8' )
soup = BeautifulSoup(fp, 'lxml' )
- 2、將互聯網上獲取的頁面源碼加載到該對象中
response = requests.get(url, data, headers=headers)
page_text = response.text
soup = BeatifulSoup(page_text, 'lxmL')
數據解析的方法和屬性
- 1、標籤定位
soup.tagName # 返回的是文檔中第一次出現的`tagName`對應的標籤
soup.find('tagName') # 等同於soup.tagName
soup.find_all('tagName') # 返回符合要求的所有標籤(列表)
- 2、屬性定位
soup.find( 'div', class_/id/attr= '屬性值')
- 3、
select
選擇器
select('某種選擇器(id, class, 標籤...選擇器) ') # 返回的是一個列表。
# 層級選擇器
soup.select('.tang > ul > 1i > a') # >表示的是一個層級
soup. select('.tang > ul a') # 空格表示的多個層級
- 4、獲取標籤之間的文本數據
soup.a.text/string/get_text()
text/get_text() # 可以獲取某一個標籤中所有的文本內容
string # 只可以獲取該標籤下面直系的文本內容
- 5、獲取標籤中屬性值
soup.a['href']
三國演義
- 爬取三國演義小說
- 爬取鏈接:
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('./三國演義.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('數據爬取結束!!')