本次作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
就是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。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
就是将用户选择的web资源呈现出来，它需要从服务器请求资源，并将其展示在浏览器窗口中，资源格式通常是HTML,也包括PDF\IMAGES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_0329/11104.html" res=requests.get(url) res.encoding='UTF-8'
3).了解网页
写一个简单的html文件，包含多个标签，类，id
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Title</title> </head> <body> <h1 id="title">Hello</h1> <a href="#" class="link"> This is link1</a> <a href="# link2" class="link" qao=123> This is link2</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 html = ' \ <html> \ <body> \ <h1 id="title">Hello</h1> \ <a href="#" class="link"> This is link1</a>\ <a href="# link2" class="link" id="link2"> This is link2</a>\ </body> \ </html> ' soups=BeautifulSoup(html,'html.parser') a = soups.a h = soups.select('h1') l = soups.select('.link') lid = soups.select('#link2') print(soups) print(lid)
3.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。
代码：
import requests from bs4 import BeautifulSoup from datetime import datetime url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11104.html" res=requests.get(url) res.encoding='UTF-8' soup=BeautifulSoup(res.text,'html.parser') #发布时间 time=soup.select('.show-info')[0].text.split()[0].split(':')[1] time1=soup.select('.show-info')[0].text.split()[1] newtime=time+' '+time1 newtime=datetime.strptime(newtime,"%Y-%m-%d %H:%M:%S") print("发布时间："+str(newtime)) #作者 author=soup.select('.show-info')[0].text.split()[2] print(author) #审核 check=soup.select('.show-info')[0].text.split()[3] print(check) #来源 come=soup.select('.show-info')[0].text.split()[4] print(come) #点击次数 clickUrl="http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80" clickNum = requests.get(clickUrl).text.split(';')[3] c =int(clickNum.split("'")[3]) print('点击次数：{}次'.format(c)) #正文内容 print("正文内容：" + soup.select('.show-content')[0].text)
运行结果：
