理解爬虫原理

1. 简单说明爬虫原理

  通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,也就是模拟浏览器的动作从网站上搜索信息,并获取自己需要的信息。


 

2. 理解爬虫开发过程

1).简要说明浏览器工作原理;

  1:向服务器发起请求

  通过HTTP库向目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器的响应。

  2:获取响应内容
  如果服务器正常响应,会得到一个Response,Response的内容便是所要获取的页面内容,类型可能有HTML、JSON、二进制文件(如图片、视频等类型)。
  3:解析内容
  得到的内容可能是HTML,可以用正则表达式、网页解析库进行解析。可能是JSON,可以直接转成JOSN对象进行解析,可能是二进制数据,可以保存或者进一步处理
  4:保存内容
  保存形式多样,可以保存成文本,也可以保存至数据库,或者保存成特定格式的文件。

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'

 

转载于:https://www.cnblogs.com/hesz/p/10608841.html

发布了140 篇原创文章 · 获赞 200 · 访问量 17万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览