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
1、发起请求
使用http库向目标站点发起请求，即发送一个Request
Request包含：请求头、请求体等
Request模块缺陷：不能执行JS 和CSS 代码
2、获取响应内容
如果服务器能正常响应，则会得到一个Response
Response包含：html，json，图片，视频等
3、解析内容
解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以wb的方式写入文件
4、保存数据
数据库（MySQL，Mongdb、Redis）
文件
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
输入url，发送请求，通过网络连接，等待服务器相应返回数据，浏览器出现界面
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
url='http://news.gzcc.cn/html/xiaoyuanxinwen' res = requests.get(url)
3).了解网页
写一个简单的html文件，包含多个标签，类，id
<body> \ <h1 id="tt">Hello</h1> \ <a href="#" class="ff"> This is link1</a >\ <a href="# link2" class="ff" qao=123> This is link2</a >\ </body> \
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
a=soup.select('h1')[0].text
print(a)
找出含有特定类名的html元素
for i in range(len(soup.select('.link'))):
b=soup.select('.link')[i].text
print(b)
找出含有特定id名的html元素
c=soup.select('#title')[0].text
print(c)
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'
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].text
b=soup1.select('.show-info')[0].text
print(a,b)
