理解爬虫原理
- 简单说明爬虫原理
爬虫，是按照一定的规则，自动地抓取万维网信息的程序或者脚本，实质就是通过程序自动去获取 Web 页面上想要获取的数据，即自动抓取数据。
浏览器的所有结果都是由代码组成，爬虫就是为了获取这些内容，通过过滤、分析代码，从中获取我们想要的数据。
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
