BeautifulSoup实践（3）

项目目标：

爬取热门菜谱清单，获取菜名、原材料和详细烹饪流程的URL

步骤与思路：

第一：打开网址，查阅robots协议
1、网址：http://www.xiachufang.com/explore/
2、它的robots协议：http://www.xiachufang.com/robots.txt
阅读这个robots协议会发现：我们要爬取的/explore/不在禁止爬取的列表内，但如果要爬取/recipe/服务器就会不欢迎。在网页里，recipe是每一道菜的详情页面，记录了这道菜的做法，所以不去碰它。

第二：ctrl+shift+i查找和定位
1、菜名和URL：

下的标签
提取标签，用text拿到它的文本，再使用[href]获取到URL
2、食材：

3、根据菜名的路径、URL的路径、食材的路径，我们可以这三者的最小共同父级标签，是：

第三：思路
思路一：先去爬取所有的最小父级标签

，然后针对每一个父级标签，想办法提取里面的菜名、URL、食材。

思路二：分别提取所有的菜名、所有的URL、所有的食材。然后让菜名、URL、食材给一一对应起来（把数据存到列表里：每一组菜名、URL、食材是一个小列表，小列表组成一个大列表。第0个菜名，对应第0个URL，对应第0组食材，按顺序走即可。如下：
[[菜A,URL_A,食材A],[菜B,URL_B,食材B],[菜C,URL_C,食材C]]）

代码编写

思路一（先爬最小父级标签）的写法：

import requests# 引用requests库
from bs4 import BeautifulSoup# 引用BeautifulSoup库
res_foods = requests.get('http://www.xiachufang.com/explore/')# 获取数据
bs_foods = BeautifulSoup(res_foods.text,'html.parser')# 解析数据
list_foods = bs_foods.find_all('div',class_='info pure-u')# 查找最小父级标签
list_all = []# 创建一个空列表，用于存储信息
for food in list_foods:
tag_a = food.find('a') # 提取food中的标签
name = tag_a.text[17:-13] # 菜名，使用[17:-13]切掉了多余的信息
URL = 'http://www.xiachufang.com'+tag_a['href'] # 获取URL
tag_p = food.find('p',class_='ing ellipsis') # 提取food中的

标签
ingredients = tag_p.text[1:-1] # 食材，使用[1:-1]切掉了多余的信息
list_all.append([name,URL,ingredients]) # 将菜名、URL、食材，封装为列表，添加进list_all
print(list_all)

需要注意__获取标签里纯文本信息的方法：
查找标签（比如

），然后使用text提取

标签里的纯文本信息就可以了。在用text获取纯文本时，获取的是该标签内的所有纯文本信息，不论是直接在这个标签内，还是在它的子标签内。

需要强调的是，如果是要提取属性的值，text是不可以的。父标签只能提取它自身的属性值，不能提取子标签的属性值。比如：
bs = BeautifulSoup('

','html.parser')
tag = bs.find('p')
print(tag['href'])# 这样会报错，因为

标签没有属性href，href属于标签

思路二（分别提取，汇总列表）的写法：

标签
tag_ingredients = bs_foods.find_all('p',class_='ing ellipsis')# 查找包含食材的

标签
list_all = []# 创建一个空列表，用于存储信息
for x in range(len(tag_name)):# 启动一个循环，次数等于菜名的数量
list_food = [tag_name[x].text[18:-14],tag_name[x].find('a')['href'],tag_ingredients[x].text[1:-1]] # 提取信息，封装为列表。注意此处[18:-14]切片和之前不同，是因为此处使用的是

标签，而之前是
list_all.append(list_food) # 将信息添加进list_all
print(list_all)