网络爬虫基础练习

Posted 2020-10-29 孙创锋

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‘)

import requests
newsurl = ‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res =requests.get(newsurl)
res.encoding=‘utf-8‘
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,‘html.parser‘)
soup.p
soup.head
soup.p.name
soup.p.attrs
soup.p.contents
soup.p.text
soup.p.string
soup.select(‘li‘)
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
取出一条新闻的标题、链接、发布时间、来源

print(soup.h1.text)

for link in soup.select(‘a‘):
    print(link.get(‘href‘))
　　
for i in soup.select(‘li‘):
    print(i.contents[1])

print(soup.select(‘.news-list-title‘)[0].text)
print(soup.select(‘li‘)[0].a.attrs[‘href‘])
print(soup.select(‘.news-list-info‘)[0].contents[0].text)
print(soup.select(‘.news-list-info‘)[0].contents[1].text)