在使用爬虫爬取数据的时候,常常须要获取标签内的文本,下面向你们介绍四种获取文本的方式(以小说吧中的一篇帖子为例,连接为:https://tieba.baidu.com/p/5806279867):
第一步:打开终端,在指定文件夹下建立一个新的项目,而且按照提示输入两个命令正则表达式
第一个命令进入tieba这个文件夹ide
第二个命令建立一个名字为story的爬虫文件(爬虫的名字不能和工程名字同样),连接为tieba.baidu.com中间件
建立成功的话,在指定目录下会生成如下文件blog
spiders:全部建立的爬虫文件会放在此文件夹下ip
__init__.py : 初始化文件get
Items.py :存放数据模型string
middlewares.py: 中间件,负责对内容进行处理it
pipelines.py:一般用来控制执行的顺序pip
setttings.py:设置项目的配置信息class
由于咱们建立了一个名字为story的爬虫文件,因此spiders文件夹下有一个story的py文件
第二步:把代码内容写在爬虫文件中
获取每层的内容(四种方式获取标签内的文本):
第一种方式:使用正则表达式获取
在终端中输入:
运行结果:
第二种方式:获取外层标签,遍历内部全部的子标签,获取标签文本。
运行结果:
第三种方式:获取标签以及子标签的文本,遍历全部的元素,得到标签文本
运行结果:
第四种方式:使用xpath('string(.)')这种方式来获取全部文本而且拼接
运行结果: