网络爬虫基础练习

0.能够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，标签的全部属性

soup.p. contents # 列表，全部子标签

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标签的连接
取出全部li标签的全部内容
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、连接、发布时间、来源

# -*- coding:utf-8 -*-

import requests
from bs4 import BeautifulSoup

res = requests.get('http://localhost:63342/demo/demo.html?_ijt=ckuj5j0gqtro8l1rnki5ik6j7f')
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标签的连接
print(soup.a['href'])
# 取出全部li标签的全部内容
for i in soup.select('li'):
    print(i)
# 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、连接、发布时间、来源
print('标题：'+soup.select('.news-list-title')[0].text)
print('连接：'+soup.select('a')[2]['href'])
print('发布时间：'+soup.select('.news-list-info')[0].span.text)
print('来源：'+soup.select('.news-list-info')[0].select('span')[1].text)