网络爬虫基础练习

Posted 2020-10-28 LauSir

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

import requests
from bs4 import BeautifulSoup
res = requests.get(\'http://localhost:63342/TestOne/News.html?_ijt=47a5v3mv05hd83j960f73mljgo\')
res.encoding = \'UTF-8\'
soup = BeautifulSoup(res.text, \'html.parser\')

# 取出h1标签的文本
for h1 in soup.find_all(\'h1\'):
    print(h1.text)

结果：

 

取出a标签的链接

# 取出a标签的链接
for a in soup.find_all(\'a\'):
    print(a.attrs.get(\'href\'))

结果：

 

 

取出所有li标签的所有内容

# 取出所有li标签的所有内容
for li in soup.find_all(\'li\'):
    print(li.contents)

结果：

 

 

取出第2个li标签的a标签的第3个div标签的属性

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

结果：

 

 

取出一条新闻的标题、链接、发布时间、来源

# 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\')[0].a.attrs[\'href\'])
print(soup.select(\'.news-list-info > p\')[0].text)
print(soup.select(\'.news-list-info > p\')[1].text)

结果：