网络爬虫基本练习

Posted 116王梓斌

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本练习相关的知识,希望对你有一定的参考价值。

<!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>



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

print(soup.h1.text)
 
取出a标签的链接


print(soup.body.a.attrs[href])
print(soup.li.a.attrs[href])
 
取出所有li标签的所有内容


print(soup.li.contents)
 
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.body.li.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本练习的主要内容,如果未能解决你的问题,请参考以下文章

网络爬虫基本练习

网络爬虫基本练习

网络爬虫基本练习

Python练习册 第 0013 题: 用 Python 写一个爬图片的程序,爬 这个链接里的日本妹子图片 :-),(http://tieba.baidu.com/p/2166231880)(代码片段

网络爬虫基础练习

爬虫笔记3