Python爬虫怎么爬取左右没有标签的内容

Posted 2023-04-30

handle_starttag每遇见一个以"<"开始的tag回调一次，handle_endtag每遇见一个"</"标识的结束时回调一次，你的text3和text5位于结束标记之后，因此要自己手动用flag标记下，然后在handle_data里处理对应的数据！ 参考技术A 好用的爬虫
还是用　618IP　　家的。

python爬虫详解——爬取bilibili网页排名视频播放量点赞量链接等内容并存储csv文件中

首先要了解html标签，标签有主有次，大致了解以一下，主标签是根标签，也是所有要爬取的标签的结合体

先了解一下待会要使用代码属性

#获取属性
a.attrs  获取a所有的属性和属性值，返回一个字典
a.attrs['href']   获取href属性
a['href']   也可简写为这种形式

#获取内容
a.string      获取a标签的直系文本
注意：如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容
a.text　　　　 这是属性,获取a子类的所有文本
a.get_text()  这是方法,获取a标签子类的所有文本

#find   主要用于找到第一个符合要求的标签
a.find('a')              找到第一个符合要求的
a.find('a', title="xxx") 具有title=a属性的
a.find('a', alt="xxx")
a.find('a', class_="xxx")
a.find('a', id="xxx")

#find_all  用于找到所有符合要求的标签
a.find_all('a')
a.find_all(['a','b']) 找到所有的a和b标签
a.find_all('a', limit=2)  限制前两个

#根据选择器选择指定的内容
a.select('#feng')

我们今天要爬取的是bilibili网站，主要是作为一个练习，也没有太主要的作用，爬取的内容分别是

排名、视频名、视频集数、播放量、点赞量及视频链接，爬取完后要存储到csv文件内

 直接上代码

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup

r = requests.get('https://www.bilibili.com/v/popular/rank/guochan')   #要爬取的网站链接
html = r.content
soup = BeautifulSoup(html,'html.parser')    #html.parser是解析器
div_people_list = soup.find('div', attrs='class': 'rank-list-wrap')
div_people_list_list = div_people_list.find('ul', attrs='class': 'rank-list pgc-list')
a_s = div_people_list.find_all('li', attrs='class': 'rank-item')
for a in a_s:    #排名
    for b in a.find_all('div', attrs='class': 'info'):
        for c in b.find_all('a', attrs='target': '_blank'):     #名称及链接
            for d in b.find('span', attrs='class': 'data-box'):   #获取视频集
                for e in b.find_all('span', attrs='class': 'data-box')[1:][:1]:  #循环播放数
                    for f in b.find_all('span', attrs='class': 'data-box')[2:][:2]:  # 循环点赞量
                        web = a['data-rank']  # 排名

                        name = c.string  # 名称

                        name_2 = d.string  # 全集
                        name_2_1 = name_2.replace(" ", "").replace("\\t", "").strip()  # 去除多余空格

                        name_3 = e.get_text()  # 播放量
                        data_1 = name_3.replace(" ", "").replace("\\n", "").replace("\\t", "")

                        name_4 = f.get_text()  # 点赞量
                        data_2 = name_4.replace(" ", "").replace("\\n", "").replace("\\t", "")

                        url = c['href']  # 链接
                        print(web + '\\t' + name + '\\t\\t\\t' + name_2_1 + '\\t\\t\\t\\t' + data_1 + '\\t\\t\\t\\t'+ data_2+'\\t\\t\\t\\t' + f'http:url')

效果如下：

其实我在做一个爬虫的时候遇到很多的错误，就是html里的标签重复，需要使用[1:][:1]来选择标签，有的时候不是难，就是项目做的少

 我们现在来加上这个代码，把爬取的内容保存下来

import csv
f = open('爬取文件.csv','w',encoding='gbk',newline='')  #写入文件
#基于文件对象构建 csv写入对象
csv_writer = csv.writer(f)
csv_writer.writerow(['排行','影片', '篇集','播放量','点赞量','视频链接'])
csv_writer.writerow([web, name, n,d,g,f'http:url'])

可以看到内容都存储到了csv文件内了，不是很乱，和刚刚dos窗口里的相比好了很多

 

完整代码如下：

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import csv

f = open('爬取文件.csv','w',encoding='gbk',newline='')  #写入文件
#基于文件对象构建 csv写入对象
csv_writer = csv.writer(f)
csv_writer.writerow(['排行','影片', '篇集','播放量','点赞量','视频链接'])

r = requests.get('https://www.bilibili.com/v/popular/rank/guochan')   #要爬取的网站链接
html = r.content
soup = BeautifulSoup(html,'html.parser')    #html.parser是解析器
div_people_list = soup.find('div', attrs='class': 'rank-list-wrap')
div_people_list_list = div_people_list.find('ul', attrs='class': 'rank-list pgc-list')

a_s = div_people_list.find_all('li', attrs='class': 'rank-item')
#a_s_2 = a_s.find_all('div', attrs='class': 'info')
for a in a_s:    #排名
    for b in a.find_all('div', attrs='class': 'info'):
        for c in b.find_all('a', attrs='target': '_blank'):     #名称及链接
            for d in b.find('span', attrs='class': 'data-box'):   #获取视频集
                for e in b.find_all('span', attrs='class': 'data-box')[1:][:1]:  #循环播放数
                    for f in b.find_all('span', attrs='class': 'data-box')[2:][:2]:  # 循环点赞量
                        web = a['data-rank']  # 排名

                        name = c.string  # 名称

                        name_2 = d.string  # 全集
                        name_2_1 = name_2.replace(" ", "").replace("\\t", "").strip()  # 去除多余空格

                        name_3 = e.get_text()  # 播放量
                        data_1 = name_3.replace(" ", "").replace("\\n", "").replace("\\t", "")

                        name_4 = f.get_text()  # 点赞量
                        data_2 = name_4.replace(" ", "").replace("\\n", "").replace("\\t", "")

                        url = c['href']  # 链接


                        n = name_2.replace(" ", "").replace("\\t", "").strip()  # 去除多余空格

                        d = name_3.replace(" ", "").replace("\\t", "")

                        g = name_4.replace(" ", "").replace("\\t", "")
                        #构建列表头
                        csv_writer.writerow([web, name, n,d,g,f'http:url'])

喜欢的别忘了关注一下