网络爬虫基础练习

0.可以新建一个用于练习的html文件，在浏览器中打开。

 

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response对象

res.encoding='utf-8'

 

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

 

3.找出特定标签的html元素

soup.p #标签名，返回第一个

soup.head

soup.p.name #字符串

soup.p. attrs #字典，标签的所有属性

soup.p. contents # 列表，所有子标签

soup.p.text #字符串

soup.p.string

soup.select(‘li')

 

4.取得含有特定CSS属性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

 

5.练习：

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
取出一条新闻的标题、链接、发布时间、来源

# 1.利用requests.get(url)获取网页页面的html文件
import requests
newsurl='http://localhost:63342/filedocuments/index.html?_ijt=bi1vricmjrhamrnvli4fcktmvh'
res = requests.get(newsurl) #返回response对象
res.encoding = 'utf-8'
# print(res.text)

# 2.利用BeautifulSoup的HTML解析器，生成结构树
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')

# 3.找出特定标签的html元素
print(soup.p) #标签名，返回第一个
print(soup.head)
print(soup.p.name)#字符串
print(soup.p.attrs)#字典，标签的所有属性
print(soup.p.contents) # 列表，所有子标签
print(soup.p.text)#字符串
print(soup.p.string)
print(soup.select('p'))
# 4.取得含有特定CSS属性的元素
print(soup.select('#content'))

print(soup.select('.show-nav'))

# 5.练习：

# 取出h1标签的文本

print(soup.select('h1')[0].text)

# 取出a标签的链接
print(soup.select('a')[0].attrs['href'])

# 取出所有li标签的所有内容
print(soup.select('li')[0].text)

# 取出一条新闻的标题、链接、发布时间、来源
# 标题
print(soup.select('title')[0].text)
# 链接
print(soup.select('a')[0].attrs['href'])
# 发布时间
print(soup.select('.news-list-info')[0].contents[0].text)
# 来源
print(soup.select('.news-list-info')[0].contents[1].text)