python爬虫学习（五）：bs4数据解析-爬取小说

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
    - 对象的实例化：
        - 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：
        - soup.tagName:返回的是文档中第一次出现的tagName对应的标签
        - soup.find():
            - find('tagName'):等同于soup.div
            - 属性定位：
                -soup.find('div',class_/id/attr='song')
        - soup.find_all('tagName'):返回符合要求的所有标签（列表）
    - select：
        - select('某种选择器（id，class，标签...选择器）'),返回的是一个列表。
        - 层级选择器：
            - soup.select('.tang > ul > li > a')：>表示的是一个层级
            - oup.select('.tang > ul a')：空格表示的多个层级
    - 获取标签之间的文本数据：
        - soup.a.text/string/get_text()
        - text/get_text():可以获取某一个标签中所有的文本内容
        - string：只可以获取该标签下面直系的文本内容
    - 获取标签中属性值：
        - soup.a['href']

实战

# -*- encoding: utf-8 -*-
"""
@File    : 爬取小说.py
@Time    : 2022/3/11 13:00
@Author  : simon
@Email   : 294168604@qq.com
@Software: PyCharm
"""
import requests
from bs4 import BeautifulSoup

# 需求：爬取三国演义小说所有的章节标题和章节内容http://www.shicimingju.com/book/sanguoyanyi.html


if __name__ == "__main__":
    url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36'
    }
    page_text = requests.get(url=url,headers=headers)
    page_text.encoding = 'utf-8'
    # 在首页中解析出章节的标题和详情页的url
    # 1.实例化BeautifulSoup对象，需要将页面源码数据加载到该对象中
    soup = BeautifulSoup(page_text.text, 'lxml')
    # 解析章节标题和详情页的url
    li_list = soup.select('.book-mulu > ul > li')
    for li in li_list:
        title = li.a.string
        detail_url = 'http://www.shicimingju.com' + li.a['href']
        # 对详情页发起请求，解析出章节内容
        detail_page_text = requests.get(url=detail_url, headers=headers)
        detail_page_text.encoding = 'utf-8'
        # 解析出详情页中相关的章节内容
        detail_soup = BeautifulSoup(detail_page_text.text, 'lxml')
        div_tag = detail_soup.find('div', class_='chapter_content')
        # 解析到了章节的内容
        content = div_tag.text
        with open('./sanguo.txt', 'w', encoding='utf-8') as fp:
            fp.write(title + ':' + content + '\n')
            print(title, '爬取成功！！！')

效果展示