网络爬虫基础教程

0.可以新建一个用于练习的html文件，在浏览器中打开。

 

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\')

 

4.取得含有特定CSS属性的元素

soup.select(\'#p1Node\')

soup.select(\'.news-list-title\')

 

5.练习：

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
取出一条新闻的标题、链接、发布时间、来源

soup.h1.text

soup.a.attrs[\'href\']

for i in soup.select(\'li\'):
    print(i.contents)

soup.select(\'li\')[1].a.select(\'div\')[2]


soup.select(\'.news-list-title\')[0].text

soup.select(\'li\')[1].a.attrs[\'href\']


soup.select(\'.news-list-info\')[0].contents[0].text


soup.select(\'.news-list-info\')[0].contents[1].text