网络爬虫基础练习

1.利用requests.get(url)获取网页页面的html文件，利用BeautifulSoup的HTML解析器，生成结构树

import requests
from bs4 import BeautifulSoup
url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(url)
res.encoding='utf-8'
soup = BeautifulSoup(res.text,'html.parser')
print(soup)

　　

2.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')

 

3.取得含有特定CSS属性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

 

4.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

>>> soup.h1.text	 
'\n\n'

>>> soup.a.attrs['href'] 
'https://www.cnblogs.com/'

>>> for i in soup.select('li'):
　　　　i.contents

　　　(结果数据太多，不作展示)

 

>>> soup.select('.news-list')[0].a.attrs['href']
'http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0329/9122.html'

>>> soup.select('.news-list')[0].a.select('.news-list-title')[0].text
'学校党委书记吕泉荣讲授新学期“思政第一课”'

>>> for i in soup.select('.news-list')[0].a.select('.news-list-info')[0].contents:
i.text

'2018-03-29'
'马克思主义学院'