我圈出来的都是有规则的,就是说我们要的数据的HTML的代码都是有代码。在这里我们就可以用正则表达式去提取它了,关于正则表达式呢?它简单来说就是一个式子,所有能满足它的条件都能提取到。
因为前段时间,有个同学问到了如何爬取学校官网的新闻后,我就试试一下,在学这些好玩的东西之前,不需要你会python,只需要你有一点点网络和编程语言的基础就可以了,当然啦,如果你没有也没关系,毕竟度娘伟大哈哈。
好了,扯了这么多,终于进正题了。
————————————————————————————————————
第一步,首先我们要有一个目标网址。我们的目标的是找到新闻的首页。
http://www.bhu.edu.cn/page/list.asp?boardid=bd_news
这就是目标地址了,我们要做的就是要把我们看到的新闻的标题,把他们全部爬取下来保存在我们本地的文件夹里。那么怎么爬取呢?
第二步现在我们右键鼠标,选择查看源代码。这是查看该网站的HTML代码,有一点的web的基础的就知道,你就看到如下的内容。
第三步,你会发现你想要的标题的信息全在这里面,那我们要怎么拿出来呢这些数据,我们分析一下它,你会发现他们有规则。