理解爬虫原理

作业要求：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2851

 

1.简单说明爬虫原理

网络爬虫是捜索引擎抓取系统的重要组成部分。爬虫的主要目的是将互联网上的网页下载到本地形成一个或联网内容的镜像备份。

 

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

网络爬虫的基本工作流程如下：

    1.首先选取一部分精心挑选的种子URL；

    2.将这些URL放入待抓取URL队列；

    3.从待抓取URL队列中取出待抓取在URL，解析DNS，并且得到主机的ip，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列。

    4.分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。

 

2).使用 requests 库抓取网站数据；

Request：浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。

Request详解

请求方式：主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。

请求URL：URL全称统一资源定位符，如一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。

请求头：包含请求时的头部信息，如User-Agent、Host、Cookies等信息。

请求体：请求时额外携带的数据如表单提交时的表单数据

版权声明：本文为博主原创文章，转载请附上博文链接！

requests.get(url) 获取校园新闻首页html代码

 

3).了解网页

 

 写一个简单的html文件，包含多个标签，类，id

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

 

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'