理解爬虫原理

1. 简单说明爬虫原理

      程序模拟浏览器送请求来获取网页代码，提取出有用的数据，储存起来。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

     浏览器提交请求--->下载网页代码--->解析成页面

2).使用 requests 库抓取网站数据；

requests.get(url) 获取校园新闻首页html代码

import requests

url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html'
re = requests.get(url)
re.encoding='utf-8'

3).了解网页

写一个简单的html文件，包含多个标签，类，id

<html> 
    <body> 
          <h1 id="title">hi</h1> 
          <a href="#" class="link"> This is link1</a>
          <a href="# link2" class="link" qao=123> This is link2</a>
    </body> 
</html>

4).使用 Beautiful Soup 解析网页；

通过BeautifulSoup(html_sample,'html.parser')把上述html文件解析成DOM Tree

import bs4
from bs4 import BeautifulSoup
soup = BeautifulSoup(re.text,"html.parser")

select（选择器）定位数据

找出含有特定标签的html元素

找出含有特定类名的html元素

找出含有特定id名的html元素

# 标题
soup.title.text.split()[0] 
# 作者
soup.select('.show-info')[0].text.split()[2].split('：')[1]
# 出处
soup.select('.show-info')[0].text.split()[4].split('：')[1]

3.提取一篇校园新闻的标题、发布时间、发布单位、作者、点击次数、内容等信息

如url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'

要求发布时间为datetime类型，点击次数为数值型，其它是字符串类型。

标题：

# 标题
soup.title.text.split()[0]

发布时间：

from datetime import datetime
year=soup.select('.show-info')[0].text.split()[0].split(':')[1]
time = soup.select('.show-info')[0].text.split()[1]
jx=year+' '+time
cday = datetime.strptime(jx, '%Y-%m-%d %H:%M:%S')

　　

发布单位：

soup.select('.show-info')[0].text.split()[4].split('：')[1]

作者：

# 作者
soup.select('.show-info')[0].text.split()[2].split('：')[1]

点击次数：

num = requests.get('http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80')
print (int(num.text.split('.html')[-1].split('\'')[1]))

内容：

newtext=''
text=soup.select('.show-content')[0].text.replace('\r\n', ' ').split('\u3000\u3000')
for i in range(1,len(text)):
    newtext=newtext+text[i]

 

代码：

from bs4 import BeautifulSoup
import requests
from datetime import datetime

url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html'
re = requests.get(url)
re.encoding='utf-8'

soup = BeautifulSoup(re.text,"html.parser")
soup.select('img')[1]['src']

year=soup.select('.show-info')[0].text.split()[0].split(':')[1]
time = soup.select('.show-info')[0].text.split()[1]
jx=year+' '+time
cday = datetime.strptime(jx, '%Y-%m-%d %H:%M:%S')

# 标题
title=soup.title.text.split()[0]
# 作者
zz=soup.select('.show-info')[0].text.split()[2].split('：')[1]
# 出处
cc=soup.select('.show-info')[0].text.split()[4].split('：')[1]

newtext=''
text=soup.select('.show-content')[0].text.replace('\r\n', ' ').split('\u3000\u3000')
for i in range(1,len(text)):
    newtext=newtext+text[i]

num = requests.get('http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80')
print('标题：'+title+'\n作者：'+zz+'\n出处：'+cc+
      '\n次数：'+num.text.split('.html')[-1].split('\'')[1]+
      '\n时间：'+jx+'\n内容：'+newtext)

　　

posted @ 2019-03-31 23:02  陈世炯  阅读(265)  评论(0)    收藏  举报