網絡爬蟲基礎

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

 

print(soup.h1.text)   # 取出h1標籤的文本

for link in soup.select('a'):   
   print(link.get('href'))    # 取出a標籤的連接

for i in soup.select('li'):
    print(i.contents)        # 取出全部li標籤的全部內容

print(soup.select('li')[1].a.select('div')[2].attrs) # 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
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)