网络爬虫基础练习
练习：
新建一个用于练习的html文件，在浏览器中打开。
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Simple DOM Demo</title> </head> <body> <h1>This is the document body</h1> <P ID = "p1Node">This is paragraph 1.</P> <P ID = "p2Node">段落2</P> <a href="http://www.gzcc.cn/">广州商学院</a> <li> <a href="http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html"> <div class="news-list-text"> <div class="news-list-title" style="">我校校长杨文轩教授讲授新学期“思政第一课”</div> <div class="news-list-description">3月27日下午，我校校长杨文轩教授在第四教学楼310室为学生讲授了新学期“思政第一课”。</div> <div class="news-list-info"><span><i class="fa fa-clock-o"></i>2018-03-28</span><span><i class="fa fa-building-o"></i>马克思主义学院</span></div> </div> </a> </li> </body> </html>
利用requests.get(url)获取网页页面的html文件
import requests newsurl = 'http://localhost:63342/Python/text.html?_ijt=8188ag4251ojje8rv3j7uahppi' res = requests.get(newsurl) # 返回response对象 res.encoding = 'utf-8'
利用BeautifulSoup的HTML解析器，生成结构树
from bs4 import BeautifulSoup soup = BeautifulSoup(res.text, 'html.parser')
取出h1标签的文本
print(soup.h1.text)
取出a标签的链接
print(soup.a.attrs['href'])
取出所有li标签的所有内容
for i in soup.select('li'): print(i.text)
取出一条新闻的标题、链接、发布时间、来源
标题：
print(soup.select('li')[0].select('.news-list-title')[0].text)
链接：
print(soup.select('li')[0].a.attrs['href'])
发布时间：
print(soup.select('li')[0].select('.news-list-info')[0].contents[0].text)
来源：
print(soup.select('li')[0].select('.news-list-info')[0].contents[1].text)
结果：
