网络爬虫基础练习

Posted 2020-10-28 Ming.杰

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练习相关的知识，希望对你有一定的参考价值。

练习：

新建一个用于练习的html文件，在浏览器中打开。

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Simple DOM Demo</title>
</head>

<body>
    <h1>This is the document body</h1>
    <P ID = "p1Node">This is paragraph 1.</P>
    <P ID = "p2Node">段落2</P>
    <a href="http://www.gzcc.cn/">广州商学院</a>

    <li>
        <a href="http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html">
            <div class="news-list-text">
                <div class="news-list-title" style="">我校校长杨文轩教授讲授新学期“思政第一课”</div>
                <div class="news-list-description">3月27日下午，我校校长杨文轩教授在第四教学楼310室为学生讲授了新学期“思政第一课”。</div>
                <div class="news-list-info"><span><i class="fa fa-clock-o"></i>2018-03-28</span><span><i class="fa fa-building-o"></i>马克思主义学院</span></div>
            </div>
        </a>
    </li>
</body>
</html>

利用requests.get(url)获取网页页面的html文件

import requests
newsurl = \'http://localhost:63342/Python/text.html?_ijt=8188ag4251ojje8rv3j7uahppi\'
res = requests.get(newsurl)  # 返回response对象
res.encoding = \'utf-8\'

利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text, \'html.parser\')

取出h1标签的文本

print(soup.h1.text)

取出a标签的链接

print(soup.a.attrs[\'href\'])

取出所有li标签的所有内容

for i in soup.select(\'li\'):
    print(i.text)

取出一条新闻的标题、链接、发布时间、来源

标题：

print(soup.select(\'li\')[0].select(\'.news-list-title\')[0].text)

链接：

print(soup.select(\'li\')[0].a.attrs[\'href\'])

发布时间：

print(soup.select(\'li\')[0].select(\'.news-list-info\')[0].contents[0].text)

来源：

print(soup.select(\'li\')[0].select(\'.news-list-info\')[0].contents[1].text)

结果：

以上是关于网络爬虫基础练习的主要内容，如果未能解决你的问题，请参考以下文章

网络爬虫基础练习