网络爬虫基本联系

0.可以新建一个用于练习的html文件，在浏览器中打开。

 

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response对象

res.encoding='utf-8'

 

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

 

3.找出特定标签的html元素

soup.p #标签名，返回第一个

soup.head

soup.p.name #字符串

soup.p. attrs #字典，标签的所有属性

soup.p. contents # 列表，所有子标签

soup.p.text #字符串

soup.p.string

soup.select(‘li')

 

4.取得含有特定CSS属性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

 

5.练习：

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

 

import requests
res = requests.get('http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0329/9122.html')
res.encoding = 'utf-8'

from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text, 'html.parser')

for h1 in soup.find_all('h1'):
    print(h1.text)

for a in soup.find_all('a'):
    print(a.attrs.get('href'))

for li in soup.find_all('li'):
    print(li.contents)

print(soup.find_all('li')[8].a.find_all('div')[2].attrs)

print('标题：' + soup.select('.news-list-title')[1].text)
print('链接：' + soup.select('a')[13]['href'])
print('发布时间：' + soup.select('.news-list-info')[1].span.text)
print('来源：' + soup.select('.news-list-info')[1].select('span')[1].text)