聚焦爬蟲:

爬取頁面中指定的頁面內(nèi)容。

編碼流程：

• 1.指定url
• 2.發(fā)起請求
• 3.獲取響應(yīng)數(shù)據(jù)
• 4.數(shù)據(jù)解析
• 5.持久化存儲

數(shù)據(jù)解析分類：

• 1.bs4
• 2.正則
• 3.xpath (***)

數(shù)據(jù)解析原理概述：

解析的局部的文本內(nèi)容都會在標簽之間或者標簽對應(yīng)的屬性中進行存儲

1.進行指定標簽的定位

2.標簽或者標簽對應(yīng)的屬性中存儲的數(shù)據(jù)值進行提?。ń馕觯?/p>

bs4進行數(shù)據(jù)解析數(shù)據(jù)解析的原理：

1.標簽定位

2.提取標簽、標簽屬性中存儲的數(shù)據(jù)值

bs4數(shù)據(jù)解析的原理：

1.實例化一個BeautifulSoup對象，并且將頁面源碼數(shù)據(jù)加載到該對象中

2.通過調(diào)用BeautifulSoup對象中相關(guān)的屬性或者方法進行標簽定位和數(shù)據(jù)提取

環(huán)境安裝：

pip install bs4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple

實例化BeautifulSoup對象步驟：

from bs4 import BeautifulSoup

對象的實例化：

1.將本地的html文檔中的數(shù)據(jù)加載到該對象中

fp = open('./test.html','r',encoding='utf-8')
soup = BeautifulSoup(fp,'lxml')

2.將互聯(lián)網(wǎng)上獲取的頁面源碼加載到該對象中（常用方法，推薦）

page_text = response.text
soup = BeatifulSoup(page_text,'lxml')

提供的用于數(shù)據(jù)解析的方法和屬性：

soup.tagName:返回的是文檔中第一次出現(xiàn)的tagName對應(yīng)的標簽
soup.find():
find('tagName'):等同于soup.div

1.屬性定位：

soup.find('div',class_/id/attr='song')
soup.find_all('tagName'):返回符合要求的所有標簽（列表）
select：
select('某種選擇器（id，class，標簽...選擇器）'),返回的是一個列表。

2.層級選擇器：

soup.select('.tang > ul > li > a')：>表示的是一個層級
soup.select('.tang > ul a')：空格表示的多個層級

3.獲取標簽之間的文本數(shù)據(jù)：

soup.a.text/string/get_text()
text/get_text():可以獲取某一個標簽中所有的文本內(nèi)容
string：只可以獲取該標簽下面直系的文本內(nèi)容

4.獲取標簽中屬性值：

soup.a['href']

案例：爬取三國演義小說所有的章節(jié)標題和章節(jié)內(nèi)容代碼如下：

import requests
from bs4 import BeautifulSoup

if __name__ == "__main__":
  #對首頁的頁面數(shù)據(jù)進行爬取
  headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
  }
  url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
  page_text = requests.get(url=url,headers=headers).text

  #在首頁中解析出章節(jié)的標題和詳情頁的url
  #實例化BeautifulSoup對象，需要將頁面源碼數(shù)據(jù)加載到該對象中
  soup = BeautifulSoup(page_text,'lxml')
  #解析章節(jié)標題和詳情頁的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']
    #對詳情頁發(fā)起請求，解析出章節(jié)內(nèi)容
    detail_page_text = requests.get(url=detail_url,headers=headers).text
    #解析出詳情頁中相關(guān)的章節(jié)內(nèi)容
    detail_soup = BeautifulSoup(detail_page_text,'lxml')
    div_tag = detail_soup.find('div',class_='chapter_content')
    #解析到了章節(jié)的內(nèi)容
    content = div_tag.text
    fp.write(title+':'+content+'\n')
    print(title,'爬取成功?。?！')

運行結(jié)果：

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論