Python非常详细编程笔记 中文PDF版

    def cUrl(self,full_url):

         #获取内容

        c_url = urllib.request.urlopen(full_url)

        cont = c_url.read()

        cont_soup = BeautifulSoup(cont,"html.parser")

        cont_p = cont_soup.find('article')

        return self.transferContent(cont_p)

通过上函授获取页面中article标签的内容

执行下面sql语句把获取的内容插入数据库

cur.execute("insert into p_links(title,href,content) values ('%s','%s','%s')" % (titleContents,full_url,cont_p))

执行sql时，提示错误，发现是因为cont_p中的单引号和双引号引起的

于是使用如下函数转义引号

    def transferContent(self, content):

            if content is None:

                return None

            else:

                stri = ""

                for c in content:

                    if c == '"':

                        stri += c.replace('"','\\\"')

                    elif c == "'":

                        stri += c.replace("'","\\\'")

                    elif c == "\\":

                        stri += "\\\\"

                    else:

                        stri += str(c)

            return stri

发现转义不成功

于是打印cont_p类型

print(type(cont_p))

结果是如下类型

才发现是bs4自定义的Tag类型，而我的转义函数是针对字符串的

所以进行一步转化操作cont_p = str(cont_p)

修改函数如下：

    def cUrl(self,full_url):

         #获取内容

        c_url = urllib.request.urlopen(full_url)

        cont = c_url.read()

        cont_soup = BeautifulSoup(cont,"html.parser")

        cont_p = cont_soup.find('article')

        cont_p = str(cont_p)   #这里转化为字符串类型

        return self.transferContent(cont_p)

完整代码如下：

文件1：spider.py

from bs4 import BeautifulSoup

class cSpider:

    def cUrl(self,full_url):

         #获取内容

        c_url = urllib.request.urlopen(full_url)

        cont = c_url.read()

        cont_soup = BeautifulSoup(cont,"html.parser")

        cont_p = cont_soup.find('article')

        cont_p = str(cont_p)   #这里转化为字符串类型

        return self.transferContent(cont_p)

    def transferContent(self, content):

            if content is None:

                return None

            else:

                stri = ""

                for c in content:

                    if c == '"':

                        stri += c.replace('"','\\\"')

                    elif c == "'":

                        stri += c.replace("'","\\\'")

                    elif c == "\\":

                        stri += "\\\\"

                    else:

                        stri += str(c)

            return stri

文件2：contentSpider.py

import urllib

from urllib import request,parse

from bs4 import BeautifulSoup

import re

import pymysql

from contentSpider import cSpider

#链接mysql

db = pymysql.Connect(host="localhost",user="root",password="root",db="python",charset='utf8')

cur = db.cursor(cursor=pymysql.cursors.DictCursor)

#获取页面

base_url = "http://www.3qphp.com/php/index.html"

urlb = urllib.request.urlopen(base_url)

cent = urlb.read()

#解析出链接地址

soup = BeautifulSoup(cent,"html.parser")

#print(soup)

slink = soup.find_all("a",href=re.compile(r"\/php\/(.+?)\/(\d+).html"))

#获取到所有，所有符合条件的链接，然后过滤重复的

# count = 0

for link in slink:

     if 'class' not in link.attrs and link.contents[0].name != 'span':

        full_url = urllib.parse.urljoin(base_url,link['href'])  #获取标题url

        titleContents = link.contents[0].replace("\'","\"")     #获取标题

        #获取内容

        cS = cSpider()

        cont_p = cS.cUrl(full_url)

        try:

            cur.execute("insert into p_links(title,href,content) values ('%s','%s','%s')" % (titleContents,full_url,cont_p))

        except Exception as err:

            print(err)

db.commit()

转载请注明：谷谷点程序 » Python3 爬虫 BeautifulSoup模块（4）： bs4 Tag类型转换为字符串 insert插入数据错误