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:

技术图片

技术图片

 导入包:

技术图片

爬取网页的内容:

技术图片

utf-8转换内容:

技术图片

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‘)

技术图片

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

 

技术图片

获取点击次数:

技术图片

 

 

 技术图片

 技术图片

 查看获取次数的链接:

技术图片

 

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

用爬虫技术扒信息,程序员自编“购房宝典”点击超40万

会玩!用爬虫技术趴购房信息,杭州某程序员“购房宝典”走红网络!

scrapy主动退出爬虫的代码片段(python3)

用爬虫技术扒购房信息,杭州程序员变身“购房专家”!

编程思想与算法

Python爬虫爬虫的基本原理