网络爬虫

0.可以新建一个用于练习的html文件，在浏览器中打开。

 

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response对象

res.encoding='utf-8'

 

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

 

3.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')

 

4.取得含有特定CSS属性的元素

soup.select('#p1Node')

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

 

5.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
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

import requests
re=requests.get('http://localhost:63342/untitled/cgp1.html?_ijt=3cag1gmp6kej16n57ku6oon7t4')
re.encoding='utf-8'


from bs4 import BeautifulSoup
soup = BeautifulSoup(re.text,'html.parser')

#取出h1标签的文本
print(soup.h1.text)

#取出a标签的链接
print(soup.a.attrs['href'])

#取出所有li标签的所有内容
for i in soup.select('li'):
     print(i.contents)

#取出第2个li标签的a标签的第3个div标签的属性
print(soup.select('li')[1].a.select('div')[2].attrs)

#取出一条新闻的标题、链接、发布时间、来源
#取出一条新闻标题
print(soup.select('.news-list-title')[0].text)

#链接
print(soup.select('li')[2].a.attrs['href'])

#发布时间
print(soup.select('.news-list-info')[0].contents[0].text)

#来源
print(soup.select('.list-container')[0].a.get('href'))