理解爬虫原理
本次作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
通过程序模拟浏览器请求站点的行为，发送请求，获得响应，对响应的网页代码进行解析提取自己需要的数据，存储到数据库中以供使用。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
用户通过浏览器搜索进行发送请求，服务器把符合的响应传给用户，浏览器获得响应后，对响应的网页代码进行解析渲染呈现内容给用户。
2).使用 requests 库抓取网站数据；
例：用requests.get(url) 获取校园新闻首页html代码
import requests url='http://www.gzcc.cn/index.html' res = requests.get(url) res.encoding='utf-8' res.text
运行示例：
3).了解网页
写一个简单的html文件，包含多个标签，类，id
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
import bs4 from bs4 import BeautifulSoup html_sample = ''' <html> <body> <h1 id="title">Hello</h1> <a href="#" class="link"> This is link1</a> <a href="# link2" class="link" id="link2"> This is link2</a> </body> </html> ''' soups = BeautifulSoup(html_sample,'html.parser') print(soups.h1.text) print(soups.select('a')) print(soups.select('.link')[0].text) print(soups.select('#link2')[0].text)
运行示例：
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_0323/11052.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。
# 导入requests，获取指定网页的html文件 import requests url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0323/11052.html' res = requests.get(url) res.encoding='utf-8' # 导入bs4中的BeautifulSoup，用来解析网页的html from bs4 import BeautifulSoup soupTest=BeautifulSoup(res.text,'html.parser') # 解析获得对应的内容 title = soupTest.select('.show-title')[0].text editInfo = soupTest.select('.show-info')[0].text.split() date = editInfo[0].split(':')[1] time = editInfo[1] releaseTime = date + ' ' +time # 导入datetime类，用于把字符串转换成时间 from datetime import datetime releaseTime = datetime.strptime(releaseTime,'%Y-%m-%d %H:%M:%S') author = editInfo[2] auditor = editInfo[3] photographer = editInfo[5] source = editInfo[4] newsContent = soupTest.select('.show-content')[0].text.strip() # 解析对应文件获得想要的内容 clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=11052&modelid=80' clickStruct = requests.get(clickUrl).text clickCount = int(clickStruct.split('.html')[-1][2:-3]) # 输出提取的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 print('校园新闻的标题:',title,'\n发布时间:',releaseTime,'\n',source,'\n',author,'\n',photographer,'\n点击次数:',clickCount) print('内容主要有:',newsContent)
运行示例：
