理解爬虫原理
1. 简单说明爬虫原理
爬虫的原理是通过模拟请求的方式去访问相关的开放页面，通过代码的方式去模拟触发网页的点击和跳转，通过流的方式获取到请求响应后的整个html信息，再通过一些工具类去筛选这些信息中包含的有用的信息；
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
游览器通过输入url的请求地址后，获取到web服务器返回的html信息，游览器对这些信息进行解析渲染，最终呈现给用户
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>
<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> '
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
soups = BeautifulSoup(html_sample,'html.parser') a1 =soups.a a = soups.select('a') h = soups.select('h1') t = soups.select('#title') l = soups.select('.link')
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。
temp=requests.get("http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html") temp.encoding='utf-8' soups=BeautifulSoup(temp.text,'html.parser') title=soups.select('.show-title')[0].text content_array=soups.select('.show-info')[0].text.split() content=soups.select('#content') publish_date=content_array[0].split('发布时间:')[1] actor=content_array[2] click=requests.get("http://oa.gzcc.cn/api.php?op=count&id=11095&modelid=80").text.split('.html')[-1].replace("(","").replace(")","").replace("'","").replace(";","") date=datetime.strptime(publish_date+' '+content_array[1],'%Y-%m-%d %H:%M:%S') print("标题："+title) print("点击次数："+click) print(actor) print(date) print("内容："+content[0].text)
