聚焦爬蟲:

爬取頁面中指定的頁面內容。

編碼流程：

1.指定url 2.發(fā)起請求 3.獲取響應數(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容都會在標簽之間或者標簽對應的屬性中進行存儲

1.進行指定標簽的定位

2.標簽或者標簽對應的屬性中存儲的數(shù)據(jù)值進行提取（解析）

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.通過調用BeautifulSoup對象中相關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/simplepip 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.textsoup = 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容string：只可以獲取該標簽下面直系的文本內容

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)內容代碼如下：

import requestsfrom bs4 import BeautifulSoupif __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)內容 detail_page_text = requests.get(url=detail_url,headers=headers).text #解析出詳情頁中相關的章節(jié)內容 detail_soup = BeautifulSoup(detail_page_text,’lxml’) div_tag = detail_soup.find(’div’,class_=’chapter_content’) #解析到了章節(jié)的內容 content = div_tag.text fp.write(title+’:’+content+’n’) print(title,’爬取成功！！！’)

運行結果：

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網(wǎng)。