网络爬虫基础

Posted 193杨晓玲

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了网络爬虫基础相关的知识,希望对你有一定的参考价值。

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/xiaoyuanxinwen/‘

res = requests.get(newsurl) #返回response对象

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
取出a标签的链接
取出所有li标签的所有内容
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

 

print(soup.h1.text)   # 取出h1标签的文本

for link in soup.select(‘a‘):   
   print(link.get(‘href‘))    # 取出a标签的链接

for i in soup.select(‘li‘):
    print(i.contents)        # 取出所有li标签的所有内容

print(soup.select(‘li‘)[1].a.select(‘div‘)[2].attrs) # 取出第2个li标签的a标签的第3个div标签的属性


# 取出一条新闻的标题、链接、发布时间、来源
print(soup.select(‘.news-list-title‘)[0].text)
print(soup.select(‘li‘)[1].a.attrs[‘href‘])
print(soup.select(‘.news-list-info‘)[0].contents[0].text)
print(soup.select(‘.news-list-info‘)[0].contents[1].text)

  

以上是关于网络爬虫基础的主要内容,如果未能解决你的问题,请参考以下文章

scrapy按顺序启动多个爬虫代码片段(python3)

201555332盛照宗—网络对抗实验1—逆向与bof基础

零基础自学Python 3开发网络爬虫: 用到的数据结构简介以及爬虫Ver1.0 alpha

scrapy主动退出爬虫的代码片段(python3)

20155201 李卓雯 《网络对抗技术》实验一 逆向及Bof基础

用python零基础写爬虫--编写第一个网络爬虫 -2 设置用户代理