网络爬虫基础练习

Posted on 2018-03-29 21:54  170何强  阅读(208)  评论(0编辑  收藏  举报

0.可以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

soup.select('#p1Node')

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

 

5.练习:

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
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、链接、发布时间、来源

 

# -*- coding : UTF-8 -*-
# -*- author : onexiaofeng -*-
import requests
url='http://localhost:63342/hello/venv/lz.html?_ijt=l26l1kkfr4kkmba1tsi16auibm'
res=requests.get(url)
res.encoding='utf-8'
res.text

from bs4 import BeautifulSoup
soup=BeautifulSoup(res.text,'html.parser')
soup

print(soup.h1.text)
print(soup.a['href'])
for i in soup.select('li'):
    print(i)
print(soup.select('li')[1].a.select('div')[2].attrs)
print('标题:'+soup.select('.news-list-title')[0].text)
print('链接:'+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)

截图:

Copyright © 2022 170何强
Powered by .NET 6 on Kubernetes