理解爬虫原理

 

1. 简单说明爬虫原理

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

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

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

url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'

 

主要代码：

# -*- coding: utf-8 -*- 
import requests
from bs4 import BeautifulSoup
import lxml
res=requests.get("http://news.gzcc.cn/html/xiaoyuanxinwen/")
#print(res.encoding)                       #获取当前的编码
res.encoding = 'utf-8' 

html=res.text
soup = BeautifulSoup(html,"lxml")
print(soup.prettify())


res2=requests.get("http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html")
#print(res2.encoding)                       #获取当前的编码
res2.encoding = 'utf-8'

html=res2.text
soup = BeautifulSoup(html,"lxml")
print("标题："+soup.select(".show-title")[0].text)
print(soup.select(".show-info")[0].text)