网络爬虫基础练习
2018-03-30 20:14 AAAAAAABE 阅读(161) 评论(0) 编辑 收藏 举报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
取出一条新闻的标题、链接、发布时间、来源
import requests newsurl = 'http://localhost:63342/bd/aaa.html?_ijt=7pd1hi6n7j1ue90de4jivbr31k' res = requests.get(newsurl) # 返回response对象 res.encoding = 'utf-8' print(res.text) from bs4 import BeautifulSoup soup = BeautifulSoup(res.text, 'html.parser') # 取出a标签的链接 print(soup.a.attrs['href']) # 取出h1标签的文本 print(soup.h1.text) # 取出所有li标签的所有内容 for i in soup.select('li'): print(i.contents) # 取出第2个li标签的a标签的第3个div标签的属性 print(soup.select('li')[1].a.select('div')[2].attrs) # 取出一条新闻的标题、链接、发布时间、来源 print('标题:'+soup.select('.news-list-title')[0].text) print('链接:'+soup.select('li')[2].a.attrs['href']) print('发布时间:'+soup.select('.news-list-info')[0].contents[0].text) print('来源:'+soup.select('.news-list-info')[0].contents[1].text)