网络爬虫基础练习

Posted 2020-10-29 zjm85

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
#发送请求
url = "http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html"
res = requests.get(url)
res.encoding = "utf-8"
res.text
print(res.text)

 

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

for li in soup.select(‘li‘):
    print(li.text)

取出a标签的链接

for link in  soup.select(‘a‘):
    print(link.get(‘href‘))

 

取出所有li标签的所有内容

for li in soup.select(‘li‘):
    print(li.text)

 

取出一条新闻的标题、链接、发布时间、来源

print(soup.select(‘.show-nav‘)[0].a.attrs[‘href‘])