Python爬虫-爬取三国演义文本数据-bs4

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
相关推荐
k09331 分钟前
sourceTree回滚版本到某次提交
开发语言·前端·javascript
神奇夜光杯9 分钟前
Python酷库之旅-第三方库Pandas(202)
开发语言·人工智能·python·excel·pandas·标准库及第三方库·学习与成长
Themberfue11 分钟前
Java多线程详解⑤(全程干货!!!)线程安全问题 || 锁 || synchronized
java·开发语言·线程·多线程·synchronized·
plmm烟酒僧13 分钟前
Windows下QT调用MinGW编译的OpenCV
开发语言·windows·qt·opencv
千天夜21 分钟前
使用UDP协议传输视频流!(分片、缓存)
python·网络协议·udp·视频流
测试界的酸菜鱼24 分钟前
Python 大数据展示屏实例
大数据·开发语言·python
羊小猪~~28 分钟前
神经网络基础--什么是正向传播??什么是方向传播??
人工智能·pytorch·python·深度学习·神经网络·算法·机器学习
晨曦_子画34 分钟前
编程语言之战:AI 之后的 Kotlin 与 Java
android·java·开发语言·人工智能·kotlin
Black_Friend42 分钟前
关于在VS中使用Qt不同版本报错的问题
开发语言·qt
放飞自我的Coder1 小时前
【python ROUGE BLEU jiaba.cut NLP常用的指标计算】
python·自然语言处理·bleu·rouge·jieba分词