网络爬虫基础练习

Posted 2020-10-29 maize

1.利用requests.get(url)获取网页页面的html文件

1 2 3 4

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

1 2	from bs4 import BeautifulSoup soup = BeautifulSoup(res.text,‘html.parser‘)

3.找出特定标签的html元素

1 2 3 4 5 6 7 8

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

1 2	soup.select(‘#p1Node‘) soup.select(‘.news-list-title‘)

5.练习：

取出h1标签的文本

1	print(soup.h1.text)

取出a标签的链接

1 2	for link in soup.select(‘a‘):     print(link.get(‘href‘))

取出所有li标签的所有内容

1 2	for i in soup.select(‘li‘):     print(i.contents[1])

取出一条新闻的标题、链接、发布时间、来源

1 2 3 4

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)