网络爬虫基本练习

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

str=requests.get('http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html')
str.encoding='utf-8'
print(str.text)

　　

 

2.利用BeautifulSoup的HTML解析器，生成结构树

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

　　

3.练习：

取出h1标签的文本

ps=soup.select('h1')
for i in ps:
    print(ps[i].text)

取出a标签的链接

print(soup.select('a')[0].select('href'))

　　

取出所有li标签的所有内容

ps=soup.select('li')
for i in ps:
    print(i)

　　

取出第2个li标签的a标签的第3个div标签的属性

ps=soup.select('li')
print(ps[1].a.selected('div')[2])

　　

4.取出一条新闻的标题、链接、发布时间、来源

str.encoding='utf-8'
#print(str.text)

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

print(soup.select('div .news-list-info')[0].select('span')[0].text)
#提取标题
print(soup.select('div .news-list-title')[0].text)
#提取来源
print(soup.select('div .news-list-info')[0].select('span')[1].text)
#提取链接
print(soup.select('div .list-container')[0].select('li')[0].select('a')[0].attrs)