理解爬虫原理
作业来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
1：向服务器发起请求
通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器的响应。
2：获取响应内容
如果服务器正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML、JSON、二进制文件（如图片、视频等类型）。
3：解析内容
得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是JSON，可以直接转成JOSN对象进行解析，可能是二进制数据，可以保存或者进一步处理
4：保存内容
保存形式多样，可以保存成文本，也可以保存至数据库，或者保存成特定格式的文件。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
浏览器工作原理的实质就是实现http协议的通讯，具体过程如下：
HTTP通信的流程，大体分为三个阶段：
1、 连接 服务器通过一个ServerSocket类对象对8000端口进行监听，监听到之后建立连接，打开一个socket虚拟文件。
2、 请求 创建与建立socket连接相关的流对象后，浏览器获取请求，为GET请求，则从请求信息中获取所访问的HTML文件名，向服务器发送请求。
3、 应答 服务收到请求后，搜索相关目录文件，若不存在，返回错误信息。若存在，则想html文件，进行加HTTP头等处理后响应给浏览器，浏览器解析html文件，若其中还包含图片，视频等请求，则浏览器再次访问web服务器，异常获取图片视频等，并对其进行组装显示出来。
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
运行代码：
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html' res = requests.get(url) type(res) res.encoding = 'utf-8' res=res.text res
运行结果：
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html_sample = ' \ <html> \ <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
soups = BeautifulSoup(html_sample,'html.parser')
select（选择器）定位数据
a1 =soups.a a = soups.select('a')
找出含有特定标签的html元素
运行代码：
h = soups.select('h1') h
运行截图：
找出含有特定类名的html元素
运行代码：
l = soups.select('.link') l
运行截图：
找出含有特定id名的html元素
运行代码：
t = soups.select('#title') t
运行截图：
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。
- 标题
运行代码：
soups = BeautifulSoup(res,'html.parser') a1=soups.a a=soups.select('.show-title')[0].text a
运行截图：
- 发布时间
运行代码：
dt =newsDate +' '+newsTime dt datetime.strptime(dt,'%Y-%m-%d %H:%M:%S')
运行截图：
- 作者
运行代码
h=soups.select('.show-info')[0].text.split()[2] h
运行结果：
- 发布单位
运行代码：
h=soups.select('.show-info')[0].text.split()[4] h
运行截图：
- 内容
运行代码：
t=soups.select('.show-content')[0].text t
运行截图：
- 点击次数
运行代码：
url='http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80' res = requests.get(url) type(res) res.text
运行截图：
