bs4：BeautifulSoup
作用：用来解析网页，提取指定数据的。提供的接口非常简单。使用起来人性化。所以用的比较多，但是bs4只能解析html格式的数据
安装：
pip install bs4
bs4简单使用
整体使用步骤：
bs4里面有一个类，BeautifulSoup，然后通过这个类将网页html格式字符串生成一个对象，然后通过对象的方法来进行查找指定元素
（1）将本地html文件转化为对象
soup = BeautifulSoup(open('soup.html', encoding='utf8'), 'lxml')
lxml :
是一个文件解析库，通过它的解析生成对象，是一个第三方库，需要安装，
安装
pip install lxml
html.parser :
是python自带的一个文件解析库
eg:
soup = BeautifulSoup(open('soup.html', encoding='utf8'), 'lxml')
根据标签名查找
soup.a 只能查找得到第一个符合要求的节点,是一个对象，bs4自己封装类的对象
获取属性
soup.a.attrs 获取得到所有属性和值，是一个字典
soup.a.attrs['href'] 获取指定的属性值
soup.a['href'] 简写形式
获取文本
soup.a.string
soup.a.text
soup.a.get_text()
[注]如果标签里面还有标签，那么string获取就是空，而后两个获取的是纯文本内容
find_all方法
返回的是一个列表，列表里面都是节点对象
soup.find_all('a') 找到所有a
soup.find_all('a', limit=2) 提取符合要求的前两个a
soup.find_all(['a', 'li']) 查找得到所有的a和li
soup.find_all('a', class_='xxx')查找得到所有class是xxx的a
soup.find_all('li', class_=re.compile(r'^xiao'))
查找所有的class以xiao开头的li标签
select方法
id选择器 #dudu
类选择器 .xixi
标签选择器 div a h1
eg :
div #dudu .xixi a
空格：代表后面的节点是前面节点的子节点或者子孙节点
div > #dudu > a > .xixi
: 代表后面的节点是前面节点的子节点
返回的是一个列表，列表里面都是符合要求的节点对象
普通对象也能调用select方法，查找的是这个对象下面的内容
实例
爬取三国演义小说保存到文件
import urllib.request
from bs4 import BeautifulSoup
import time
def handle_request(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
request = urllib.request.Request(url, headers=headers)
return request
def parse_content(content, fp):
# 生成soup对象
soup = BeautifulSoup(content, 'lxml')
# 查找所有的章节链接和标题内容
oa_list = soup.select('.book-mulu > ul > li > a')
# print(len(oa_list))
# 遍历列表，依次获取每一个链接和内容
for oa in oa_list:
# 获取链接
href = 'http://www.shicimingju.com' + oa['href']
# 获取标题
title = oa.string
print('正在下载--%s--......' % title)
# 获取章节内容函数
text = get_text(href)
# 写入文件
fp.write(title + '\n' + text)
print('结束下载--%s--' % title)
time.sleep(2)
# 提取得到章节内容
def get_text(href):
# 构建请求对象
request = handle_request(href)
content = urllib.request.urlopen(request).read().decode('utf8')
# 生成soup对象
soup = BeautifulSoup(content, 'lxml')
# 查找包含内容的div
odiv = soup.find('div', class_='chapter_content')
return odiv.text
def main():
# 打开文件
fp = open('三国演义.txt', 'w', encoding='utf8')
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
# 构建请求对象
request = handle_request(url)
# 发送请求，得到响应
content = urllib.request.urlopen(request).read().decode('utf8')
# 解析内容即可
parse_content(content, fp)
fp.close()
if __name__ == '__main__':
main()
爬取51job求职网 保存到数据库
import urllib.request
from bs4 import BeautifulSoup
import time
import pymysql
# 根据url生成请求对象
def handle_request(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
request = urllib.request.Request(url, headers=headers)
return request
# 解析内容
def parse_content(content, db):
# 生成soup对象
soup = BeautifulSoup(content, 'lxml')
# 先找包含所有工作的div
odivbox = soup.find('div', id='resultList')
# 首先找到包含所有工作的div
odiv_list = odivbox.find_all('div', class_='el')[1:]
# print(len(odiv_list))
for odiv in odiv_list:
# 职位名称
jobname = odiv.select('.t1 > span > a')[0]['title']
# 公司名称
company = odiv.select('.t2 > a')[0]['title']
# 工作地点
area = odiv.select('.t3')[0].string
# 职位月薪
salary = odiv.select('.t4')[0].string
# 发布时间
publish_time = odiv.select('.t5')[0].string
# print(salary, publish_time)
# 保存到字典中
item = {
'职位名称': jobname,
'公司名称': company,
'工作地点': area,
'职位月薪': salary,
'发布时间': publish_time
}
# 保存到文件中
# string = str(item) + '\n'
# fp.write(string)
# 保存到mysql中
save_to_mysql(db, item)
def save_to_mysql(db, item):
# 获取游标
cur = db.cursor()
# 执行sql语句
sql = """insert into work(jobname,company,area,salary,publish_time) values('%s','%s','%s','%s','%s')""" % (item['职位名称'], item['公司名称'], item['工作地点'], item['职位月薪'], item['发布时间'])
# print(sql)
try:
cur.execute(sql)
#提交
db.commit()
except Exception as e:
# print(e)
#错误回滚
db.rollback()
def main():
# fp = open('work.txt', 'w', encoding='utf8')
# 链接数据库
db = pymysql.connect(host="localhost", user="root", password="123456", db="qiangge", port=3306, charset='utf8')
# 用户输入要搜索工作关键字
keyword = input('请输入要搜索的关键字-')
# 用户输入要爬取的起始和结束页码
start_page = int(input('请输入要爬取的起始页码-'))
end_page = int(input('请输入要爬取的结束页码-'))
# 要拼接的起始url
url = 'https://search.51job.com/list/010000,000000,0000,00,9,99,{},2,{}.html'
# 写循环，每一页开始挨着爬取
for page in range(start_page, end_page + 1):
print('正在爬取第%s页......' % page)
# 拼接url
url_page = url.format(keyword, page)
# print(url_page)
# 构建请求对象
request = handle_request(url_page)
# 发送请求，得到响应
content = urllib.request.urlopen(request).read().decode('gbk')
# 解析内容
parse_content(content, db)
print('结束爬取第%s页' % page)
time.sleep(2)
# fp.close()
db.close()
if __name__ == '__main__':
main()
gfg.jpeg
