理解爬虫原理
作业要求：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2851
一. 简单说明爬虫原理
1.首先选取一部分精心挑选的种子URL；
2.将这些URL放入待抓取URL队列；
3.从待抓取URL队列中取出待抓取在URL，解析DNS，并且得到主机的ip，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列。
4.分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。
二. 理解爬虫开发过程
1).简要说明浏览器工作原理；
输入url，发送请求，通过网络连接，等待服务器相应返回数据，浏览器出现界面
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
url='http://news.gzcc.cn/html/xiaoyuanxinwen' res = requests.get(url)
3).了解网页
写一个简单的html文件，包含多个标签，类，id
<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> \
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
a=soup.select('h1')[0].text
print(a)
找出含有特定类名的html元素
for i in range(len(soup.select('.link'))):
b=soup.select('.link')[i].text
print(b)
找出含有特定id名的html元素
c=soup.select('#title')[0].text
print(c)
三.提取一篇校园新闻的标题、发布时间、发布单位
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11042.html'
res=requests.get(url)
res.encoding='utf-8'
soup1=BeautifulSoup(res.text,'html.parser')
a=soup1.select('.show-title')[0].text
b=soup1.select('.show-info')[0].text
print(a,b)
