网络爬虫基础练习

　0.可以新建一个用于练习的html文件，在浏览器中打开。

<! DOCTYPE html>

< html lang="en">

< head >

     < meta charset="UTF-8">

     < title >Title</ title >

</ head >

< body >

    < h1 >This is the document body</ h1 >

     < P ID = "p1Node">This is paragraph 1.</ P >

     < P ID = "p2Node">段落2</ P >

     < a href="http://www.gzcc.cn/">广州商学院</ a >

 

     < li >

         < a href="http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html">

             < div class="news-list-text">

                 < div class="news-list-title" style="">我校校长杨文轩教授讲授新学期“思政第一课”</ div >

                 < div class="news-list-description">3月27日下午，我校校长杨文轩教授在第四教学楼310室为学生讲授了新学期“思政第一课”。</ div >

                 < div class="news-list-info">< span >< i class="fa fa-clock-o"></ i >2018-03-28</ span >< span >< i class="fa fa-building-o"></ i >马克思主义学院</ span ></ div >

             </ div >

         </ a >

</ body >

</ html >

1.利用requests.get(url)获取网页页面的html文件

   import requests

newurl = 'http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html'
res = requests.get(newurl)
res.encoding = "utf-8"
print(res.text)

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')
print(soup)

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

a =soup.select('h1')
a1=a[0].text
print(a1)

取出a的标签

a = soup.a.attrs['href']

  soup.li.a.attrs[ 'href' ]

  print (a)

取出所有li标签的所有内容

a = soup.select( 'li' )[ 0 ].text

print (a)

取出一条新闻的标题、链接、发布时间、来源

a0 = soup.select( '.news-list-title' )[ 0 ].text

a1 = soup.select( '.news-list-info' )[ 0 ].contents[ 0 ].text

a2 = soup.select( '.news-list-info' )[ 0 ].contents[ 1 ].text

a3 = soup.body.li.a.attrs[ 'href' ]

print (a0,a1,a2,a3)

转载于:https://www.cnblogs.com/AAAAAAAA/p/8696725.html