网络爬虫基础练习
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')
5.练习:
取出h1标签的文本
soup.h1.text
取出a标签的链接
a_href = soup.a.attrs print(a_href)
取出所有li标签的所有内容
l = soup.select('li')
取出一条新闻的标题、链接、发布时间、来源
title = soup.select('.show-title') print(title[0].text) href = soup.select('a') res = soup.select('.show-info') print(res)