理解爬虫原理

最新推荐文章于 2024-10-30 16:40:23 发布

aozhe15848

最新推荐文章于 2024-10-30 16:40:23 发布

阅读量100

点赞数

文章标签：爬虫 python

原文链接：http://www.cnblogs.com/hujialin/p/10641018.html

版权

本文介绍了网络爬虫的基本概念及工作原理，详细解释了如何利用Python的requests库抓取网页内容，并结合BeautifulSoup进行数据解析。同时，还展示了从特定新闻页面中提取标题、发布时间等信息的具体步骤。

摘要由CSDN通过智能技术生成

1.简单说明爬虫原理

什么是爬虫？

爬虫：请求网站并提取数据的自动化程序

百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

爬虫原理：

模拟计算机对服务器发起Request请求；

接收服务器的Response内容并解析、提取所需的信息。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

游览器通过输入url的请求地址后，获取到web服务器返回的html信息，游览器对这些信息进行解析渲染，最终呈现给用户

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

import requests
res=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11047.html')
res.encoding='utf-8'
res.text

3).了解网页

写一个简单的html文件，包含多个标签，类，id

<html>
 <body>
  <h1 id=title">Hello</h1>
  <a href="#" class="link" id="link1"> This is link1</a>
  <a href="#" class="link" id="link2"> This is link2</a> 
 </body> 
</html>

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

from bs4 import BeautifulSoup
<html> 
    <body> 
          <h1 id="title">Hello</h1> 
          <a href="#" class="link" id="link1"> This is link1</a>
          <a href="#" class="link" id="link2"> This is link2</a>
    </body> 
</html> 
soup = BeautifulSoup(html,'html.parser')
a0 =soup.a
a1 = soups.select('a')
print(a)
a2= soups.select('h1')
print(a2)
a3 = soups.select('#title')
print(a3)

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_0320/11029.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。

import requests
from bs4 import BeautifulSoup
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
#网络资源获取
res=requests.get(url)
res.encoding='utf-8'
# 解析成DOM Tree
soup=BeautifulSoup(res.text,'html.parser')
# 提取详细信息
t = soup.select('.show-title')[0].text
for news in soup.select('div'):
    if len(news.select('.show-title'))>0:
        t=news.select('.show-title')[0].text
        b=news.select('.show-info')[0].text
        print(t,b)
        break

转载于:https://www.cnblogs.com/hujialin/p/10641018.html