网络爬虫基础练习

Posted 099吴海经

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。

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
url=\'http://localhost:63342/untitled001/index.html?_ijt=qha65g9m3uvkp5ijfh0b7h041t\'
res = requests.get(url)
res.encoding=\'utf-8\'


from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,\'html.parser\')
print(soup.h1.text)



取出a标签的链接

import requests
url=\'http://localhost:63342/untitled001/index.html?_ijt=1jot1o2jp7hl0cfc7hs6vhl2j3\'
res = requests.get(url)
res.encoding=\'utf-8\'


from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,\'html.parser\')
# print(soup.h1.text)
print(soup.a.attrs[\'href\'])



取出所有li标签的所有内容

print(soup.li.attrs)


取出一条新闻的标题、链接、发布时间、来源

print(soup.a.attrs[\'href\'])
print(soup.select(\'.news-list-title\')[0].text)
print(soup.select(\'li\')[2].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

网络爬虫基础练习

网络爬虫基础练习

网络爬虫基础练习

网络爬虫基础练习

网络爬虫基础练习