beautifulsoup4

介绍

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

 使用方法

(1) 根据标签名查找
    - suop.a 只能找到第一个符合要求的标签
(2) 获取属性值
    - suop.a.attrs         获取a所有的属性和属性值,返回一个字典
    - suop.a.attrs["href"] 获取href属性值
    - suop.a["href"]       简写为这种形式
(3) 获取内容
    - suop.a.string        获取标签中直系的文本内容
    - suop.a.text          获取所有标签中的文本内容
    - suop.a.get_text()    获取所有标签中的文本内容
   【注意】如果标签中还有标签,那么string获取到的结果为None,其他两个方法可以获取到文本内容
(4) find 找到第一个符合要求的标签
    - suop.find("a")       找到第一个符合要求的
    # 根据标签中的属性获取指定的a标签
    - suop.find("a", class_="xxx")  # class是关键字需要加_
    - suop.find("a", id="xxx")
    - suop.find("a", href="xxx")
    - suop.find("a", alt="xxx")
    - suop.find("a", tetle="xxx")
    # 可以和获取内容的方法连用
    - suop.find("a",href="/hecheng/27.html").text
(5) find_all 找到所有符合要求的标签
    - suop.find_all("a")
    - suop.find_all(["a","p"])  找到所有a标签和p标签
    - suop.find_all(["a","p"],limit=2)   取前两个
(6) 根据选择器选择指定的内容
    select:suop.select("#id")
    - 常见的选择器:标签选择器(a)|类选择器(.)|id选择器(#)|层级选择器
    - 层级选择器:
        div .mm         div下面所有class属性值为mm的,子子孙孙,下面多级
        div > .dd       div儿子级class属性为dd的,下面一级
    【注意】查询到的是所有数据,返回列表

示例

import requests
from bs4 import BeautifulSoup
url = "http://www.shicimingju.com/book/sanguoyanyi.html"
response = requests.get(url).text 
suop = BeautifulSoup(response,'lxml') # 实例化对象,使用lxml进行解析
a_list = suop.select('.book-mulu > ul > li > a')
url = "http://www.shicimingju.com"
for a in a_list:
    fiction_name = a.string   # 小说章节名称
    fiction_url = url+a["href"]  # 小说章节url地址
    response = requests.get(fiction_url).text  # 请求每个章节的url地址
    suop = BeautifulSoup(response,'lxml')
    content = suop.find("div",class_="chapter_content").text  # 获取标签内所有文本数据
    with open("./{}.txt".format(fiction_name),"w",encoding="utf-8") as fp:
        fp.write(content)
print("下载成功！！！")

相关小结

from bs4 import BeautifulSoup
如何实例化一个BeautifulSoup对象
    本地加载：
    soup = BeautifulSoup(fp,'lxml')
    网络加载：
    soup = BeautifulSoup(page_text,'lxml')

相关的属性和方法
    soup.tagName:定位标签（只可以定位到第一次出现的标签）,返回的永远是一个单数
    soup.find(tagName,attrName="value"):基于属性定位实现的标签定位。返回的永远是一个单数
    soup.find_all():返回的永远是一个列表
    取文本：
    string:取得标签中直系的文本内容
    text/get_text():取得的是标签下面所有的文本内容
    取属性：tag['attrName']
    
    select:使用选择器定位标签。返回的是列表
    
    标签，类，id选择器：select('选择器')
    层级选择器：
        单层级：'.tang > ul > li
        多层级：'.tang li