理解爬虫原理
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；
- 发送请求：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，等待服务器响应。
- 获取响应内容：如果服务器能正常响应，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等类型
- 解析内容：得到的内容可能是HTML，可以用正则表达式、页面解析库进行解析，可能是Json，可以直接转为Json对象解析
- 保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。
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
import requests import bs4 from bs4 import BeautifulSoup url='http://news.gzcc.cn/html/xiaoyuanxinwen/' res=requests.get(url) type(res) res.encoding='utf-8' res.text
结果：
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html = ' \
<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,'html.parser')
a1 =soups.a
a = soups.select('a')
h = soups.select('h1')
t = soups.select('#title')
结果：
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。
1）获取校园新闻全部信息
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html' res=requests.get(url) type(res) res.encoding='utf-8' soup=res.text
结果：
2）获取新闻标题、内容
soups=BeautifulSoup(soup,'html.parser')
a1=soups.a
title=soups.select('.show-title')[0].text
detail=soups.select('.show-content')[0].text
结果：
3）获取新闻发布时间
info=soups.select('.show-info')[0].text.split()
newsDate=info[0].split(':')[1]
newsTime=info[1]
dt=newsDate+' '+newsTime
from datetime import datetime datetime.strptime(dt,'%Y-%m-%d %H:%M:%S')
结果：
4）获取新闻发布单位、作者
laiyuan=info[4].lstrip('来源：')
zzhe=info[2].lstrip('作者：')
结果：
5）获取新闻点击次数
clickUrl='http://oa.gzcc.cn/api.php?op=count&id=11095&modelid=80'
click=requests.get(clickUrl).text.split('.html')[-1]
s='();'
for c in s:
click = click.replace(c, "")
click
结果
