網絡爬蟲基礎練習

0.能夠新建一個用於練習的html文件，在瀏覽器中打開。

 

1.利用requests.get(url)獲取網頁頁面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response對象

res.encoding='utf-8'

 

2.利用BeautifulSoup的HTML解析器，生成結構樹

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

 

3.找出特定標籤的html元素

soup.p #標籤名，返回第一個

soup.head

soup.p.name #字符串

soup.p. attrs #字典，標籤的全部屬性

soup.p. contents # 列表，全部子標籤

soup.p.text #字符串

soup.p.string

soup.select(‘li')

 

4.取得含有特定CSS屬性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

 

5.練習：

取出h1標籤的文本
取出a標籤的連接
取出全部li標籤的全部內容
取出第2個li標籤的a標籤的第3個div標籤的屬性

取出一條新聞的標題、連接、發佈時間、來源

# -*- 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標籤的文本
print(soup.h1.text)
# 取出a標籤的連接
print(soup.a['href'])
# 取出全部li標籤的全部內容
for i in soup.select('li'):
    print(i)
# 取出第2個li標籤的a標籤的第3個div標籤的屬性
print(soup.select('li')[1].a.select('div')[2].attrs)
# 取出一條新聞的標題、連接、發佈時間、來源
print('標題：'+soup.select('.news-list-title')[0].text)
print('連接：'+soup.select('a')[2]['href'])
print('發佈時間：'+soup.select('.news-list-info')[0].span.text)
print('來源：'+soup.select('.news-list-info')[0].select('span')[1].text)