理解爬虫原理
本次作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
一、 简单说明爬虫原理
爬虫：即通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用
下面这幅图可以很好的表示爬虫的流程：
二、理解爬虫开发过程
1).简要说明浏览器工作原理
工作原理（请求与响应）：
- Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）
- Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等
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 url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html" res=requests.get(url) res.encoding='UTF-8' print(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">I am ss!</h1> <a href="#" class="myclass"> This is myclass1</a> <a href="#link2" class="myclass" qao=123> This is myclass2</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 soups = BeautifulSoup(html_sample,'html.parser') a1 =soups.a a = soups.select('a') print(a) h = soups.select('h1') print(h) t = soups.select('#title') print(t) l = soups.select('.myclass') print(l)
三、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。
from datetime import datetime import requests from bs4 import BeautifulSoup url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html" res=requests.get(url) res.encoding='UTF-8' soup=BeautifulSoup(res.text,'html.parser') # 标题 title=soup.select('.show-title')[0].text print('标题：'+title) # 时间 date=soup.select('.show-info')[0].text.split()[0].split(':')[1]# 日期 time=soup.select('.show-info')[0].text.split()[1]# 时间 t=date+' '+time#时间合并成字符串 ti=datetime.strptime(t,'%Y-%m-%d %H:%M:%S') print('时间：',end='') print(ti) # 作者 zz=soup.select('.show-info')[0].text.split()[2] print(zz) # 单位 dw=soup.select('.show-info')[0].text.split()[4] print('单位'+dw) # 点击次数 clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=3708&modelid=80' click = requests.get(clickUrl).text.split(';')[3] c =int(click.split("'")[3]) print('点击次数：{}次'.format(c)) # 正文 wz=soup.select('#content')[0].text print('正文：'+wz)
截图：
