介绍
Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。 Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
使用方法
(1) 根据标签名查找 - suop.a 只能找到第一个符合要求的标签 (2) 获取属性值 - suop.a.attrs 获取a所有的属性和属性值,返回一个字典 - suop.a.attrs["href"] 获取href属性值 - suop.a["href"] 简写为这种形式 (3) 获取内容 - suop.a.string 获取标签中直系的文本内容 - suop.a.text 获取所有标签中的文本内容 - suop.a.get_text() 获取所有标签中的文本内容 【注意】如果标签中还有标签,那么string获取到的结果为None,其他两个方法可以获取到文本内容 (4) find 找到第一个符合要求的标签 - suop.find("a") 找到第一个符合要求的 # 根据标签中的属性获取指定的a标签 - suop.find("a", class_="xxx") # class是关键字需要加_ - suop.find("a", id="xxx") - suop.find("a", href="xxx") - suop.find("a", alt="xxx") - suop.find("a", tetle="xxx") # 可以和获取内容的方法连用 - suop.find("a",href="/hecheng/27.html").text (5) find_all 找到所有符合要求的标签 - suop.find_all("a") - suop.find_all(["a","p"]) 找到所有a标签和p标签 - suop.find_all(["a","p"],limit=2) 取前两个 (6) 根据选择器选择指定的内容 select:suop.select("#id") - 常见的选择器:标签选择器(a)|类选择器(.)|id选择器(#)|层级选择器 - 层级选择器: div .mm div下面所有class属性值为mm的,子子孙孙,下面多级 div > .dd div儿子级class属性为dd的,下面一级 【注意】查询到的是所有数据,返回列表
项目演示
import requests import lxml from bs4 import BeautifulSoup url = "http://www.shicimingju.com/book/sanguoyanyi.html" response = requests.get(url).text suop = BeautifulSoup(response,'lxml') # 实例化对象,使用lxml进行解析 a_list = suop.select('.book-mulu > ul > li > a') url = "http://www.shicimingju.com" for a in a_list: fiction_name = a.string # 小说章节名称 fiction_url = url+a["href"] # 小说章节url地址 response = requests.get(fiction_url).text # 请求每个章节的url地址 suop = BeautifulSoup(response,'lxml') content = suop.find("div",class_="chapter_content").text # 获取标签内所有文本数据 with open("./{}.txt".format(fiction_name),"w",encoding="utf-8") as fp: fp.write(content) print("下载成功!!!")