理解爬虫原理
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
Web浏览器提交请求后，通过HTTP协议传送给Web服务器。Web服务器接到后， 进行事务处理，处理结果又通过HTTP传回给Web浏览器，从而在Web浏览器上显示出所请求的页面。
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
import requests res=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11080.html') res.encoding = 'utf-8'
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html = ' \
<html> \
<body> \
<h1 id="title">Hello</h1> \
<a href="#" class="link"> This is link1</a>\
<a href="# link2" class="link" qao=123> This is link2</a>\
</body> \
</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
from bs4 import BeautifulSoup html = ' \ <html> \ <body> \ <h1 id="title">Hello</h1> \ <a href="#" class="link"> This is link1</a>\ <a href="# link2" class="link" id="link2"> This is link2</a>\ </body> \ </html> ' soups=BeautifulSoup(html,'html.parser') a=soups.a h=soups.select('h1') l=soups.select('.link') i=soups.select('#link2') print(soups) print(i)
运行截图：
3.提取一篇校园新闻的标题、发布时间、发布单位、作者、点击次数、内容等信息
如url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
要求发布时间为datetime类型，点击次数为数值型，其它是字符串类型。
import requests from bs4 import BeautifulSoup from datetime import datetime url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0323/11052.html" res=requests.get(url) res.encoding='utf-8' soup=BeautifulSoup(res.text,'html.parser')#使用指定解析器解析获得res文本 title=soup.select('.show-title')[0].text context=soup.select('#content')[0].text.strip() clickUrl="http://oa.gzcc.cn/api.php?op=count&id=11052&modelid=80" click=requests.get(clickUrl).text.split('.html')[-1][2:-3] author=soup.select('.show-info')[0].text.split()[2] post=soup.select('.show-info')[0].text.split()[4] time=soup.select('.show-info')[0].text.split()[0:2] time=' '.join(time)
print("标题：{}".format(title)) print(time) print(author) print(post) print("点击次数：{}".format(click)) print("内容：{}".format(context))
#times=time.strftime('%Y{y}%m{m}%d{d} %H{h}%M{f}%S{s}').format(y='年',m='月',d='日',h='时',f='分',s='秒')
运行截图：
