python-爬虫 爬虫利器BeautifulSoup
BeautifulSoup
1.BeautifulSoup库介绍(了解)
# BeautifulSoup库介绍:
BeautifulSoup也是一个解析库
BS解析数据是依赖解析器的, BS支持的解析器有html.parser, lxml, xml, html5lib等, 其中lxml解析器解析速度快, 容错能力强.
BS现阶段应用的解析器多数是lxml
pip install bs4
# bs4的编码流程:
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text, 'lxml')
tag = soup.select('CSS选择器表达式') # css选取器 (*****)
tag = soup.nodename() # 节点选择器(*)
tag = soup.findall() # 方法选择器(***)
# xpath编码流程:
from lxml import etree
tree = etree.HTML(res.text)
tag = tree.xpath()
# 选择器介绍:
1.节点选择器
2.方法选择器
3.CSS选择器(*****)
2.BS4选择器使用(重点)
# 1.节点选择器
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text, 'lxml')
tag = soup.a # 只取第一个a标签就停了
# 2.方法选择器
find_all(name, attrs, text, limit):
1).soup.find_all(name='nodename'):根据节点名定位节点
2).soup.find_all(attrs={'attribute_name': 'attribute_value'}):根据属性定位, 多属性时, 一个即可定位
3).soup.find_all(text=re.compile(r'...')):根据节点文本定位, 返回文本
4).soup.find_all(name='nodename', limit=2):只返回两个结果
find(name, attrs, text, limit): 区别于find_all, find()返回的是一个对象结果, find_all()返回的是一个列表
# CSS选择器:
属性选择器:
1.根据节点名定位标签: 标签选择器
soup.select('title')
2.根据节点的class属性定位标签: class选择器(classical: 经典)
soup.select('.panel')
3.根据id属性定位标签: id选择器
soup.select('#item')
4.嵌套选择:
ul_list = soup.select('ul') # 得到的依然是一个列表数据类型
for ul in ul_list:
print(ul.select('li'))
5.层级选择器
soup.select('div > ul > li') # 单层级选择器
soup.select('div li') # 多层级选择器
# 获取节点的文本或属性:
tag_obj.string: 获取直接子文本-->如果节点内有与直系文本平行的节点, 该方法拿到的是None
tag_obj.get_text(): 获取子孙节点的所有文本
tag_obj['attribute']: 获取节点属性
# 练习示例:
html = '''
<div class="panel">
<div class="panel-heading">
<h4>BeautifulSoup练习</h4>
</div>
<div id="divtag">
这是一个div的直接子文本
<p>这是一个段落</p>
</div>
<a href="https://www.baidu.com">这是百度的跳转连接</a>
<img class="imgtag" src="https://www.balabala.com/kjdfkdjf.jpg">
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">第一个li标签</li>
<li class="element">第二个li标签</li>
<li class="element">第三个li标签</li>
</ul>
<ul class="list list-small">
<li class="element">one</li>
<li class="element">two</li>
</ul>
<li class="element">测试多层级选择器</li>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
# 1.根据节点名定位节点, 获取其文本
h4 = soup.select('h4') # 标签选择器
print(h4[0].get_text())
# 2.根据class属性定位节点
panel = soup.select('.panel-heading')
print(panel)
# 3.根据id属性定位节点
ul = soup.select('#list-1')
print(ul)
# 4.嵌套选择
ul_list = soup.select('ul')
for ul in ul_list:
li = ul.select('li')
print(li)
# 5.单层级选择器与多层级选择器
li_list_single = soup.select(".panel-body > ul > li")
li_list_multi = soup.select(".panel-body li")
-
案例: requests结合BS4实现深度爬取三国演义整部小说
# 作业: 爬取整部三国演义小说, 写入txt文件: 'http://www.shicimingju.com/book/sanguoyanyi.html'
import requests
from bs4 import BeautifulSoup
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=url, headers=headers)
soup = BeautifulSoup(res.text, 'lxml')
a_list = soup.select(".book-mulu ul li a")
for item in a_list:
name = item.string
href = item["href"]
# print(href)
full_url = 'http://www.shicimingju.com' + href
detail_page = requests.get(url=full_url, headers=headers).text
soup_detail = BeautifulSoup(detail_page, 'lxml')
div = soup_detail.select(".chapter_content")[0]
print(type(div.get_text()))
with open('%s.txt' % name, 'w', encoding="utf-8") as f:
f.write(div.get_text())
从小白到大神的蜕变~~