python数据解析之BeautifulSoup
目录
数据解析
Beautiful Soup
Beautiful Soup用法
案例—爬取三国演义章节及对应的内容
数据解析
数据解析就是将爬取到的整个页面中的局部的内容进行提取。python中常用的数据解析方式有以下三种：
- bs4（python中独有的）
- xpath（推荐，通用型强）
- 正则
数据解析原理概述：
- 首先我们知道需要解析（提取）的内容都会在标签之间或者标签对应的属性中进行存储
- 所以我们需进行指定标签的定位
- 然后将标签或者标签对应的属性中存储的数据值进行提取（解析）
Beautiful Soup
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。其只能运用在python语言中
bs4数据解析原理
- 实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中。而将页面源码数据加载到该对象中有两种方式，一种是将本地得html文档加载，另一种是将互联网上获取的页面源码加载
- 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
要使用bs4首先需要先下载对应的包
- pip install bs4
- pip install -i https://mirrors.aliyun.com/pypi/simple/ lxml
Beautiful Soup用法
提取整个标签数据
进行标签定位常用的几个方法如下
- soup.标签名 返回的是html中第一次出现的标签
- soup.find(标签名) 返回第一次出现的这个标签
- soup.find_all(标签名)) 返回符合要求的所有标签
- soup.select(标签名) 返回符合要求的所有标签
from bs4 import BeautifulSoup #导包
html = """
百里守约
前程似锦
前程似锦2
#后面改了名字以梦为马
百里守约
#find
print(soup.find('div')) #输出百里守约
#这里有多个div标签，根据属性定位，因为class为关键字，所以这里加_
print(soup.find('div',class_="song")) #前程似锦
#find_all
print(soup.find_all('p')) #[百里守约
, 前程似锦
, 前程似锦2
, 以梦为马
]
print(soup.select('.tang')) #将这个选择器中的所有内容提取
print(soup.select('.tang > ul > li > a')[1]) #返回ul中的li中的所有a标签中的第二个a标签 秦时明月
提取标签中的内容和标签的属性值
#获取标签中的内容
print(soup.p.text) #输出百里守约
print(soup.find('div',class_="ming").text) #以梦为马
print(soup.find('div',class_="song"))
print(soup.select('.tang a')[0].text) #清明时节#获取标签中的属性值，如a标签中的href值
print(soup.select('.tang a')[0]['href']) #http://123.com案例—爬取三国演义章节及对应的内容
网站如下，网站数据的获取不是通过ajax发送的请求
import requests
from bs4 import BeautifulSoup
url = 'https://so.gushiwen.org/guwen/book_46653FD803893E4F7F702BCF1F7CCE17.aspx'
headers={'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Mobile Safari/537.36'
}pag_content = requests.get(url,headers,timeout=4).text
#print(pag_content)#提取每章节内容的链接
soup = BeautifulSoup(pag_content,'html.parser')
a_text = soup.select('.bookcont a') #将其下面的所有a标签提取出来for i in a_text:#获取a标签中的href属性的值detail_url = i['href']#请求详细内容的url的内容detail_content = requests.get(detail_url,headers,timeout=4).textsoup = BeautifulSoup(detail_content,'html.parser')#提取class标签class_content = soup.find('div',class_='contson')#print(class_content) #该标签中有很多p标签，返回整个class_content标签#print(class_content.text) #获取其所有的内容with open('三国演义.txt','a',encoding='utf-8') as f:f.write(i.text+'\r')f.write(class_content.text+'\r')print(f'爬取{i.text}ok')
print('全部ok')
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！