网络爬虫基础

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

 

print(soup.h1.text)   # 取出h1标签的文本

for link in soup.select('a'):   
   print(link.get('href'))    # 取出a标签的连接

for i in soup.select('li'):
    print(i.contents)        # 取出全部li标签的全部内容

print(soup.select('li')[1].a.select('div')[2].attrs) # 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
print(soup.select('.news-list-title')[0].text)
print(soup.select('li')[1].a.attrs['href'])
print(soup.select('.news-list-info')[0].contents[0].text)
print(soup.select('.news-list-info')[0].contents[1].text)