理解爬虫原理
这次作业的要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
（1）模拟计算机对服务器发起Request请求；
（2）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；
浏览器工作原理的实质就是实现http协议的通讯，具体过程如下：
a. 连接 服务器通过一个ServerSocket类对象对8000端口进行监听，监听到之后建立连接，打开一个socket虚拟文件。
b. 请求 创建与建立socket连接相关的流对象后，浏览器获取请求，为GET请求，则从请求信息中获取所访问的HTML文件名，向服务器发送请求。
c. 应答 服务收到请求后，搜索相关目录文件，若不存在，返回错误信息 。若存在，则向HTML文件，进行加HTTP头等处理后响应给浏览器，浏览器解析html文件，若其中还包含图片，视频等请求，则浏览器再次访问web服务器，异常获取图片视频等，并对其进行组装显示出来。
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_0322/11042.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"> This is link1</a><a href="#link2" class="link" num=2019> This is link2</a> <p id="info">This is info </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
soup=BeautifulSoup(html_hjy,'html.parser')
select（选择器）定位数据
t = news.select('#title')
l = news.select('.link')
找出含有特定标签的html元素
t=soup.select('h1')[0].text
print(t)
找出含有特定类名的html元素
for i in range(len(soup.select('.link'))):
d=soup.select('.link')[i].text
print(d)
找出含有特定id名的html元素
info=soup.select('#info')[0].text
print(info)
3.提取一篇校园新闻的标题、发布时间、发布单位
import requests import bs4 from bs4 import BeautifulSoup #获取网页 url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html"; r=requests.get(url); r.encoding=r.apparent_encoding; text=r.text; #print(text); #解析网页 soup=BeautifulSoup(text,"html.parser"); #新闻标题 title=soup.select(".show-title"); print(title); #发布时间与发布单位 time=soup.select(".show-info"); print(time);
