理解爬虫原理

1. 简单说明爬虫原理

 （1）模拟计算机对服务器发起Request请求；

 （2）接收服务器的Response内容并解析、提取所需的信息。

 

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

浏览器工作原理的实质就是实现http协议的通讯，具体过程如下： 

     a. 连接 服务器通过一个ServerSocket类对象对8000端口进行监听，监听到之后建立连接，打开一个socket虚拟文件。
     b. 请求 创建与建立socket连接相关的流对象后，浏览器获取请求，为GET请求，则从请求信息中获取所访问的HTML文件名，向服务器发送请求。
      c. 应答 服务收到请求后，搜索相关目录文件，若不存在，返回错误信息  。若存在，则向HTML文件，进行加HTTP头等处理后响应给浏览器，浏览器解析html文件，若其中还包含图片，视频等请求，则浏览器再次访问web服务器，异常获取图片视频等，并对其进行组装显示出来。

 

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_0322/11042.html')
res.encoding='utf-8'
res.text

3).了解网页

写一个简单的html文件，包含多个标签，类，id

<html>
 <body>
  <h1 id="title">Hello</h1>
  <a href="#" class="link"> This is link1</a><a href="#link2" class="link" num=2019> This is link2</a>
　<p id="info">This is info
 </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

soup=BeautifulSoup(html_hjy,'html.parser')

select（选择器）定位数据

t = news.select('#title')
l = news.select('.link')

找出含有特定标签的html元素

t=soup.select('h1')[0].text
print(t)

找出含有特定类名的html元素

for i in range(len(soup.select('.link'))):
    d=soup.select('.link')[i].text
    print(d)

找出含有特定id名的html元素

info=soup.select('#info')[0].text
print(info)

 

3.提取一篇校园新闻的标题、发布时间、发布单位

 

posted on 2019-03-25 17:53  kenda_yellow  阅读(160)  评论(0)  编辑  收藏  举报