bs4进行数据解析
-数据解析的原理:
- 1.标签定位
-2.提取标签、标签属性中存储的数据值
-
bs4数据解析的原理:
-
1.实例化一个BeautifulSoup对象,并且将页面源码数据加载到该对象中
-2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取
-
环境安装:
-
pip install bs4
-
pip install lxml
-
如何实例化BeautifulSoup对象:
-
from bs4 import BeautifulSoup
-对象的案例化:
- 1.将本地的html文档中的数据加载到该对象中
fp = open('./test.html','r', encoding='utf-8')
soup = BeautifulSoup(fp, 'lxml')
- 2.将互联网上获取的页面源码加载到该对象中
page_text = response. text
soup = BeatifulSoup(page_text, 'lxml')
- 提供的用于数据解析的方法和属性:
爬取三国演义文本数据
先使用通用爬虫爬取页面所有数据,再解析标题内容
import requests # 导入requests库,用于发起网络请求
from bs4 import BeautifulSoup # 导入BeautifulSoup库,用于解析网页内容
# 设置要爬取的网站的URL和请求头信息
url = 'https://www.shicimingju.com/book/sanguoyanyi.html' # 这是我们要爬取的网站地址
headers = {'User-Agent': 'Mozilla/5.0'} # 这是告诉网站我们是用什么浏览器来访问的,这里用的是Mozilla/5.0,类似于Firefox
# 使用requests发起网络请求,获取网页内容
page_text = requests.get(url=url, headers=headers).content # 发起请求并获取返回的网页内容
# 创建BeautifulSoup对象,用于解析网页内容
soup = BeautifulSoup(page_text, 'html.parser') # 使用html.parser解析网页内容
# 使用BeautifulSoup选择器找到包含章节标题和详情页URL的列表项
li_list = soup.select('.book-mulu > ul > li') # 找到所有符合这个规则的列表项
# 打开一个文件,准备写入解析到的内容
fp = open('./sanguo.txt', 'w', encoding='utf-8') # 打开一个文件,准备写入解析到的内容
# 遍历找到的列表项,解析每个章节的标题和详情页URL
for li in li_list:
title = li.a.string # 提取每个列表项中a标签内的文本内容,即章节标题
detail_url = 'http://www.shicimingju.com' + li.a['href'] # 构建每个章节的详情页URL
# 对每个详情页发起网络请求,获取详情页内容
try:
detail_page_text = requests.get(url=detail_url, headers=headers).content # 发起请求并获取返回的详情页内容
detail_soup = BeautifulSoup(detail_page_text, 'html.parser') # 使用html.parser解析详情页内容
div_tag = detail_soup.find('div', class_='chapter_content') # 找到包含章节内容的div标签
if div_tag: # 如果找到章节内容div标签
content = div_tag.text # 提取章节内容文本
fp.write(title + ':' + content + '\n') # 将章节标题和内容写入文件,每行一个
print(title, '爬取成功!!!') # 打印章节标题,表示成功爬取
else:
print(title, '内容解析失败!!!') # 打印章节标题,表示内容解析失败
except requests.exceptions.RequestException as e: # 处理可能出现的网络请求异常
print(f'请求失败: {e}') # 打印错误信息
# 完成所有章节的解析和写入后,关闭文件
fp.close() # 关闭文件