爬虫原理

 提交作业                         

---

作业要求来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2851

1. 简单说明爬虫原理

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

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

 

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

url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'