作业5
1. 简单说明爬虫原理
什么是爬虫
- 爬虫：请求网站并提取数据的自动化程序
- 百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
基本流程：
- 发起请求：通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。
- 获取响应内容：如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。
- 解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。
- 保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件
2).使用 requests 库抓取网站数据；
requests.get(url) 获取校园新闻首页html代码
url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11049.html"res=requests.get(url)type(res)res.encoding='utf-8'res.text<br><br>结果如图：
3).了解网页
写一个简单的html文件，包含多个标签，类，id
|
1
2
3
4
5
6
7
8
9
10
11
12
|
<html><head><meta charset="utf-8"><body><h1 id="title">标题</h1><p class="time">发布时间：2018年</p><a href="http://www.runoob.com">进去百度看一下把</a> <br> <label for="inputname" class="col-sm-2 control-label ">姓名</label> <input type="text" class="form-control" id="inputname"value="huang" > </body></head></html> |
4).使用 Beautiful Soup 解析网页；
通过BeautifulSoup(html_sample,'html.parser')把上述html文件解析成DOM Tree
select（选择器）定位数据
找出含有特定标签的html元素
找出含有特定类名的html元素
找出含有特定id名的html元素
|
1
2
3
4
5
6
7
8
|
#得到标签<h1，a>的元素t=soup.select('h1')d=soup.select('a')#得到指定类（time）元素b=soup.select('.time')#得到特定id的元素c=soup.select('inputname')print(t,b,c,d) |
结果如图：
3.提取一篇校园新闻的标题、发布时间、发布单位
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
|
1
2
3
4
5
6
7
|
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11042.html'res=requests.get(url)res.encoding='utf-8'soup1=BeautifulSoup(res.text,'html.parser')a=soup1.select('.show-title')[0].textb=soup1.select('.show-info')[0].textprint(a,b) |
