理解爬虫原理
作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，
沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；
从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用；
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
-
向服务器发起请求
通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器的响应。
- 获取响应内容
如果服务器正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML、JSON、二进制文件（如图片、视频等类型）。 - 解析内容
得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是JSON，可以直接转成JOSN对象进行解析，可能是二进制数据，可以保存或者进一步处理 。 - 保存内容
保存形式多样，可以保存成文本，也可以保存至数据库，或者保存成特定格式的文件。
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
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html_sample = ' \ <html> \ <body> \ <h1 id="title">Hello</h1> \ <a href="#" class="link"> This is link1</a>\ <a href="# link2" class="link" qao=123> This is link2</a>\ </body> \ </html> '
运行结果：
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
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
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。
- 提取一篇校园新闻
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
res=requests.get(url)
type(res)
soupn=BeautifulSoup(res.text,'html.parser') soupn
- 提取该新闻的标题
- 提取该新闻的发布时间、发布作者、单位
info=soupn.select('.show-info')[0].text.split() print(info) newsDate=info[0].split(':')[1] newsTime=info[1]
- 提取该新闻的点击次数
clickUrl='http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80' click=requests.get(clickUrl).text.split('.html')[-1] s='();' for c in s: click = click.replace(c, "") click
