网络爬虫基础练习

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')

5.练习：

取出h1标签的文本

soup.h1.text

取出a标签的链接

a_href = soup.a.attrs
print(a_href)

取出所有li标签的所有内容

l = soup.select('li')

取出一条新闻的标题、链接、发布时间、来源

title = soup.select('.show-title')
print(title[0].text)
href = soup.select('a')
res = soup.select('.show-info')
print(res)