网络爬虫基础练习

Posted 2020-10-29 lawliet12

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

#coding=utf-8
import requests

from bs4 import BeautifulSoup

url=\'http://localhost:63342/untitled/venv/test.html?_ijt=5fokfbl9gqj1sopkncqhgp7vt9\'
res=requests.get(url)
res.encoding=\'UTF-8\'
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\'])
for a in soup.find_all(\'a\'):
   print(a.attrs.get(\'href\'))
#取出所有li标签的所有内容
for i in soup.select(\'li\'):
   print(i.contents)

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

#取出一条新闻的标题、链接、发布时间、来源
#1，取标题
print(soup.select(\'.news-list-title\')[0].text)
#2.取链接
print(soup.select(\'li\')[2].a.attrs[\'href\'])
#3.取发布时间
print(soup.select(\'.news-list-info\')[0].contents[0].text)
#4.取来源
print(soup.select(\'.news-list-info\')[0].contents[1].text)

1.取出h1标签内容

2.取出a标签连接

 3.取出所有li标签内容

4.取出第二个LI标签第三个div标签属性

5.取出一条新闻的标题、链接、发布时间、来源