网络爬虫基本练习

Posted 2020-10-28 烈焰之星

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

newsurl=‘http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html‘

 res=requests.get(newsurl)

res.encoding=‘utf_8‘

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,‘html.parser‘)

 

3.找出特定标签的html元素

soup.p #标签名，返回第一个

soup.head

soup.p.name #字符串

soup.p. attrs #字典，标签的所有属性

soup.p. contents # 列表，所有子标签

soup.p.text #字符串

soup.p.string

soup.select(‘li‘)

 

4.取得含有特定CSS属性的元素

soup.select(‘#p1Node‘)

soup.select(‘.news-list-title‘)

 

5.练习：

取出h1标签的文本

web=soup.select(‘h1‘)
web2=web[0].text
print(web2)

取出a标签的链接

web=soup.select(‘a‘)[0].a.attrs[‘href‘]

取出所有li标签的所有内容

print(soup.select(‘li‘))
取出第2个li标签的a标签的第3个div标签的属性

web=soup.select(‘li‘)[1].a.attrs[‘div‘]
print(web)

取出一条新闻的标题、链接、发布时间、来源

web=soup.title.contents
print(web)

web=soup.select(‘a‘)
 for i in web:
 a=i.attrs
 b=i.attrs[‘href‘]
 print(b)

web=soup.select(‘.show-info‘)[0].text
print(web)