理解爬虫原理
1.简单说明爬虫原理
什么是爬虫？
爬虫：请求网站并提取数据的自动化程序
百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
爬虫原理：
模拟计算机对服务器发起Request请求；
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；
游览器通过输入url的请求地址后，获取到web服务器返回的html信息，游览器对这些信息进行解析渲染，最终呈现给用户
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_0322/11047.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" id="link1"> This is link1</a> <a href="#" class="link" id="link2"> 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>
<body>
<h1 id="title">Hello</h1>
<a href="#" class="link" id="link1"> This is link1</a>
<a href="#" class="link" id="link2"> This is link2</a>
</body>
</html>
soup = BeautifulSoup(html,'html.parser')
a0 =soup.a
a1 = soups.select('a')
print(a)
a2= soups.select('h1')
print(a2)
a3 = soups.select('#title')
print(a3)
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
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
#网络资源获取
res=requests.get(url)
res.encoding='utf-8'
# 解析成DOM Tree
soup=BeautifulSoup(res.text,'html.parser')
# 提取详细信息
t = soup.select('.show-title')[0].text
for news in soup.select('div'):
if len(news.select('.show-title'))>0:
t=news.select('.show-title')[0].text
b=news.select('.show-info')[0].text
print(t,b)
break
