当前位置 博文首页 > python爬虫之bs4数据解析

    python爬虫之bs4数据解析

    作者:世界的隐喻 时间:2021-06-18 18:32

    一、实现数据解析

    因为正则表达式本身有难度,所以在这里为大家介绍一下 bs4 实现数据解析。除此之外还有 xpath 解析。因为 xpath 不仅可以在 python 中使用,所以 bs4 和 正则解析一样,仅仅是简单地写两个案例(爬取可翻页的图片,以及爬取三国演义)。以后的重点会在 xpath 上。

    二、安装库

    闲话少说,我们先来安装 bs4 相关的外来库。比较简单。

    1.首先打开 cmd 命令面板,依次安装bs4 和 lxml。

    2. 命令分别是 pip install bs4 和 pip install lxml 。

    3. 安装完成后我们可以试着调用他们,看看会不会报错。

    因为本人水平有限,所以如果出现报错,兄弟们还是百度一下好啦。(总不至于 cmd 命令打错了吧 ~~)

    三、bs4 的用法

    闲话少说,先简单介绍一下 bs4 的用法。

    在这里插入图片描述
    在这里插入图片描述

    四、爬取图片

    import requests
    from bs4 import BeautifulSoup
    import os
    
    if __name__ == "__main__":
        # 创建文件夹
        if not os.path.exists("./糗图(bs4)"):
            os.mkdir("./糗图(bs4)")
    
        # UA伪装
        header = {
            "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36"
            }
    
        # 指定 url
        for i in range(1, 3): # 翻两页
            url = "https://www.qiushibaike.com/imgrank/page/%s/" % str(i)
            # 获取源码数据
            page = requests.get(url = url, headers = header).text
            # 数据解析
            soup = BeautifulSoup(page, "lxml")
            data_list = soup.select(".thumb > a")
            for data in data_list:
                url = data.img["src"]
                title = url.split("/")[-1]
                new_url = "https:" + url
                photo = requests.get(url = new_url, headers = header).content
                # 存储
                with open("./糗图(bs4)/" + title, "wb") as fp:
                    fp.write(photo)
                print(title, "下载完成!!!")
        print("over!!!")
    

    五、爬取三国演义

    import requests
    from bs4 import BeautifulSoup
    
    if __name__ == "__main__":
        # UA 伪装
        header = {
            "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36"
            }
    
        # URL
        url = "http://sanguo.5000yan.com/"
    
        # 请求命令
        page_text = requests.get(url = url, headers = header)
        page_text.encoding = "utf-8"
        page_text = page_text.text
        soup = BeautifulSoup(page_text, "lxml")
        
        # bs4 解析
        li_list = soup.select(".sidamingzhu-list-mulu > ul > li")
        
        for li in li_list:
            print(li)
            new_url = li.a["href"]
            title = li.a.text
    
            # 新的请求命令
            response = requests.get(url = new_url, headers = header)
            response.encoding = "utf-8"
            new_page_text = response.text
            new_soup = BeautifulSoup(new_page_text, "lxml")
    
            page = new_soup.find("div", class_ = "grap").text
    
            with open("./三国演义.txt", "a", encoding = "utf-8") as fp:
                fp.write("\n" + title + ":" + "\n" + "\n" + page)
    
            print(title + "下载完成!!!")
    
    
    
    js