网络爬虫基础练习

老师：MissDu 提交作业

---

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：

　　1.取出h1标签的文本

　　

# -*- coding: UTF-8 -*-
import bs4
import requests
'''获取网页内容 以HTML结构显示'''
news_url = 'http://localhost:63342/ClassTest2/2018_3_29/0230.html?_ijt=nq55lct9kip059122aq7p7ph3l'
res = requests.get(news_url)
res.encoding = 'utf-9'
'''print(res.text)'''

'''利用 BeautifulSoup的HTML解析器，生成结构树'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')
print(soup.h1.contents)

　　2.取出a标签的链接

　　

# -*- coding: UTF-8 -*-
import bs4
import requests
'''获取网页内容 以HTML结构显示'''
news_url = 'http://localhost:63342/ClassTest2/2018_3_29/0230.html?_ijt=ohp3e6obh3558bpqifnnv6u662'
res = requests.get(news_url)
res.encoding = 'utf-9'
'''print(res.text)'''

'''利用 BeautifulSoup的HTML解析器，生成结构树'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')
print(soup.a.text)

　　3.取出所有li标签的所有内容

　　

# -*- coding: UTF-8 -*-
import bs4
import requests
'''获取网页内容 以HTML结构显示'''
news_url = 'http://localhost:63342/ClassTest2/2018_3_29/0230.html?_ijt=4sg5kmvqudlghcg08lhi7dl2ok'
res = requests.get(news_url)
res.encoding = 'utf-9'
'''print(res.text)'''

'''利用 BeautifulSoup的HTML解析器，生成结构树'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')

soup_list = soup.select('li')

for i in  range(soup_list.__len__()):
    print(soup_list[i].text)

　　4.取出一条新闻的标题、链接、发布时间、来源

标题：

print(soup.select('li')[0].select('.news-list-title')[0].text)

链接：

print(soup.select('li')[0].a.attrs['href'])

发布时间：

print(soup.select('li')[0].select('.news-list-info')[0].contents[0].text)

来源：

print(soup.select('li')[0].select('.news-list-info')[0].contents[1].text)