说书先生的爬虫原理
Posted tqin
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了说书先生的爬虫原理相关的知识,希望对你有一定的参考价值。
博客要求来自:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
向网站发起请求,获取资源后分析并提取有用数据的程序;从技术层面来说就是 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;
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
3).了解网页
写一个简单的html文件,包含多个标签,类,id
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
环境安装:
导入包:
爬取网页的内容:
utf-8转换内容:
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> ‘ soups = BeautifulSoup(html_sample,‘html.parser‘) a1 =soups.a a = soups.select(‘a‘) h = soups.select(‘h1‘) t = soups.select(‘#title‘) l = soups.select(‘.link‘)
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。
把时间转成datetime类型
获取点击次数:
查看获取次数的链接:
以上是关于说书先生的爬虫原理的主要内容,如果未能解决你的问题,请参考以下文章