再端一碗BeautifulSoup

在上一章我们介绍了如何使用BeautifulSoup抓取安徒生童话故事《丑小鸭》，通过一个简单的例子，大家应该对于python如何进行爬取网页内容有了一个初步的认识。

在这一章节，我们将延续上一章的内容进行网页内容的爬取，不过我们将难度提高一点，不再只是抓取一个页面，而是抓取很多个页面的内容。

在这里，我们还是以安徒生的童话故事为例进行讲解，不过今天的内容是抓取所有的安徒生童话故事。具体内容如下图所示，链接为www.ppzuowen.com

抓取一个单页面很简单，知道对应的url，然后在浏览器的开发者模式下查看需要的内容所在的标签在哪里，然后定位抓取。那么对于多页面的抓取如何进行呢？
思路本质上差不多：首先第一步是找到一个主页面，然后通过主页面与目标页面的关联跳转到对应页面。还记得我们的第一课给的那张爬虫图吗？

图中的每个节点相当一个页面，节点间是通过蛛丝进行关联的，这个蛛丝通常是一个超链接，即url。

通常，如果要访问整个蛛网有两种思路：第一种是以一个节点为基准，访问与它直连的所有的节点，然后再访问直接的所有节点的所有直连节点，通过这种循环的方式进行访问，我们称之为广度优先搜索；另一种是以一个节点为基准，访问与它直连的某一个节点，然后再访问这个直连节点的某一个直连节点，通过这种递归的方式进行访问，我们称之为深度优先搜索。

通过主页面与目标页面间的超链接，我们能够爬取所有的目标内容。理论上，如果服务器的CPU和内存足够大，我们可以爬取互联网中所有的页面数据。当然，实际中限于算力，我们一般会对爬取的内容进行裁剪，在本文中我们只爬取安徒生童话故事。

根据上面的分析，第二步我们需要做的就是找到所有主页面和目标页面之间的url，然后再对这些url进行再次访问，就可以访问每个页面的内容，最后进行汇总，就能实现我们今天的预期目标。

很显然，今天我们要采用的搜索方式是两种中的广度优先搜索。至于深度优先搜索，我们在后续的例子中进行详细介绍。

在理清了思路之后，我们进行实际操作。

第一步，使用chrome在开发者模式下查看我们需要找的url在哪里。

通过分析HTML页面，我们可以发现我们需要找寻的url在a标签的href属性中。并且通过进一步分析，发现我们需要找的url所在的a标签都有同一个class属性，这个class属性值为“title”。

因此第一步定位目标，我们很容易就完成了。事实上，由于前端的开发工程师为了开发的简便和显示的统一，对于同类型的内容通常会使用同样的标签和css样式。

与此对应，对于我们的爬取也是非常简便。

虽然我们能够通过同一个class属性找到我们的目标url，但是我们发现解析出来的url为/book/antushengtonghua/178215.html，而实际的url为https://www.ppzuowen.com/book/antushengtonghua/178215.html。

通过对比分析，我们发现只需要对解析出来的url在前面加一个域名https://www.ppzuowen.com即可。字符串拼接对于我们来说再容易不过，剩下的就是把昨天的代码补充在后面即可。

# 请求库
import requests
# 解析库
from bs4 import BeautifulSoup

# 爬取的网页链接
prefix = r"https://www.ppzuowen.com/"
url = r"https://www.ppzuowen.com/book/antushengtonghua/"
r = requests.get(url)
r.encoding = None
result = r.text
# 再次封装，获取具体标签内的内容
bs = BeautifulSoup(result, 'html.parser')
# 具体标签
a = {}
# 获取已爬取内容中的script标签内容
data = bs.find_all('a', {"class": "title"})

# 循环打印输出
for link in data:
    link = link.get('href')
    target_link = prefix + link
    print(target_link)

由于昨天的代码可以看作一个单独的功能，因此我们可以把它定义为一个函数，方便后面调用。

def getStory(url):
    '''
    获取每个童话故事内容

    :param url:
    :return:
    '''

    r = requests.get(url)
    r.encoding = None
    result = r.text
    # 再次封装，获取具体标签内的内容
    bs = BeautifulSoup(result, 'html.parser')
    # 具体标签
    print("---------解析后的数据---------------")
    a = {}
    # 获取已爬取内容中的p签内容
    data = bs.find_all('p')
    result = ''
    # 循环打印输出
    for tmp in data:
        if '皮皮作文网' in tmp.text:
            break
        result += tmp.text

    return result

根据以上思路，我们得到的代码如下：

# 请求库
import requests
# 解析库
from bs4 import BeautifulSoup


def getStory(url):
    '''
    获取每个童话故事内容

    :param url:
    :return:
    '''

    r = requests.get(url)
    r.encoding = None
    result = r.text
    # 再次封装，获取具体标签内的内容
    bs = BeautifulSoup(result, 'html.parser')
    # 具体标签
    print("---------解析后的数据---------------")
    a = {}
    # 获取已爬取内容中的p签内容
    data = bs.find_all('p')
    result = ''
    # 循环打印输出
    for tmp in data:
        if '皮皮作文网' in tmp.text:
            break
        result += tmp.text

    return result


# 爬取的网页链接
prefix = r"https://www.ppzuowen.com/"
url = r"https://www.ppzuowen.com/book/antushengtonghua/"
r = requests.get(url)
r.encoding = None
result = r.text
# 再次封装，获取具体标签内的内容
bs = BeautifulSoup(result, 'html.parser')
# 具体标签
a = {}
# 获取已爬取内容中的script标签内容
data = bs.find_all('a', {"class": "title"})

# 循环打印输出
for link in data:
    link = link.get('href')
    target_link = prefix + link
    # print(target_link)

    result=getStory(target_link)
    print(result)

由于打印的内容较多，在控制台上显得的很乱，不方便查看，在这里我们可以使用文件的存起来，文件的名字为童话故事的名字。

修改后的代码如下：

# 请求库
import requests
# 解析库
from bs4 import BeautifulSoup


def getStory(url):
    '''
    获取每个童话故事内容

    :param url:
    :return:
    '''

    r = requests.get(url)
    r.encoding = None
    result = r.text
    # 再次封装，获取具体标签内的内容
    bs = BeautifulSoup(result, 'html.parser')
    # 具体标签
    print("---------解析后的数据---------------")
    a = {}
    # 获取已爬取内容中的p签内容
    title=bs.find_all('h2', {"class": "articleH2"})[0].text
    data = bs.find_all('p')
    result = ''
    # 循环打印输出
    for tmp in data:
        if '皮皮作文网' in tmp.text:
            break
        result += tmp.text

    return title,result


# 爬取的网页链接
prefix = r"https://www.ppzuowen.com/"
url = r"https://www.ppzuowen.com/book/antushengtonghua/"
r = requests.get(url)
r.encoding = None
result = r.text
# 再次封装，获取具体标签内的内容
bs = BeautifulSoup(result, 'html.parser')
# 具体标签
a = {}
# 获取已爬取内容中的script标签内容
data = bs.find_all('a', {"class": "title"})

# 循环打印输出
for link in data:
    link = link.get('href')
    target_link = prefix + link
    # print(target_link)

    result=getStory(target_link)
    fd=open(result[0]+".txt",'w')
    fd.write(result[1])
    fd.close()

由于爬取的数据过多，效率不高，我们可以使用多线程进行操作，进一步优化代码性能。修改后的代码如下：

# 请求库
import requests
# 解析库
from bs4 import BeautifulSoup
import threading
from queue import Queue

#定义一个线程安全队列，用来保存数据
que=Queue()

def getStory():
    '''
    获取每个童话故事内容

    :param url:
    :return:
    '''
    while not que.empty():
        url=que.get()
        r = requests.get(url)
        r.encoding = None
        result = r.text
        # 再次封装，获取具体标签内的内容
        bs = BeautifulSoup(result, 'html.parser')
        # 具体标签
        print("---------解析后的数据---------------")
        a = {}
        # 获取已爬取内容中的p签内容
        title=bs.find_all('h2', {"class": "articleH2"})[0].text
        data = bs.find_all('p')
        result = ''
        # 循环打印输出
        for tmp in data:
            if '皮皮作文网' in tmp.text:
                break
            result += tmp.text

        with open(title+".txt", 'w') as fo:
            fo.write(result)

# 爬取的网页链接
prefix = r"https://www.ppzuowen.com/"
url = r"https://www.ppzuowen.com/book/antushengtonghua/"
r = requests.get(url)
r.encoding = None
result = r.text
# 再次封装，获取具体标签内的内容
bs = BeautifulSoup(result, 'html.parser')
# 具体标签
a = {}
# 获取已爬取内容中的script标签内容
data = bs.find_all('a', {"class": "title"})

# 循环打印输出
for link in data:
    link = link.get('href')
    target_link = prefix + link
    que.put(target_link)
    print(target_link)

# 定义多线程
for i in range(10):
    t = threading.Thread(target=getStory)
    t.start()
    t.join()

以上我们讲解了如何利用广度优先搜索的方式爬取多个网页信息。同时，为了提高爬取效率，我们采用多线程优化了代码，并将结果存入到文件中，方便后期查看。