python爬取图解_菜鸟学IT之python网页爬取初体验

1. 简单说明爬虫原理

爬虫简单来说就是通过程序模拟浏览器放松请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地，通过一些算法进而提取自己需要的数据，存放起来使用。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

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

importrequests

url= 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'res=requests.get(url)

type(res)

res.encoding='utf-8'soupn= BeautifulSoup(res.text,'html.parser') #html 规格打印

print(soupn)

截图：

3).了解网页

写一个简单的html文件，包含多个标签，类，id

html_sample = '\

\

Hello

\

This is link1\

This is link2\

\

'

# 各种查询方式

a = soupn.select('a') # 使用标签节点a查询

ids = soupn.select('#id') # 使用id号查询

classs = soupn.select('.class') # 使用class类查询

print(a,ids,classs)

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

idchaxun = soupn.select('#content')[0].text

biaoqianchaxun = soupn.select('img')[0]['src']

leichaxun = soupn.select('.show-info')[0].text

print(idchaxun,biaoqianchaxun,leichaxun)

截图：

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

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。

下载：requests、BeautifulSoup4库

获取网页游览次数请求的url:

clickUrl='http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80'

b = requests.get(clickUrl).text

b2 = requests.get(clickUrl).text.split('.html')[-1]

print(b2)

完整代码：

from datetime importdatetimeimportrequestsfrom bs4 importBeautifulSoup

url= 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'res=requests.get(url)

type(res)

res.encoding= 'utf-8'soupn= BeautifulSoup(res.text,'html.parser') #html 规格打印

q= soupn.title.text #标题

soupn1 = soupn.select('.show-info')[0].text #作者与发布时间等信息

#时间转化为datetime类型

time1 = soupn.select('.show-info')[0].text.split()[0].split(':')[1]

time2= soupn.select('.show-info')[0].text.split()[1]

Time= time1 + ' ' +time2

Time1= datetime.strptime(Time, '%Y-%m-%d %H:%M:%S')

Time2= datetime.strftime(Time1, '%Y{y}-%m{m}-%d{d} %H{H}%M{M}%S{S}').format(y='年', m='月', d='日', H='时', M='分', S='秒')

Zuozhe= soupn.select('.show-info')[0].text.split()[2] #作者

shenhe = soupn.select('.show-info')[0].text.split()[3] #审核

laiyuan = soupn.select('.show-info')[0].text.split()[4] #来源

#游览次数

clickUrl='http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80'b= requests.get(clickUrl).text.split('.html')[-1] #获取总游览次数

sel = "();''"

for i insel:

b= b.replace(i, '')

zhengwen= soupn.select('.show-content')[0].textprint("\n"+"标题："+q+"\n"+"发布时间："+Time2+"\n"+Zuozhe+"\n"+shenhe+"\n"+laiyuan+"\n"+

"游览次数："+b+"\n"+"正文："+zhengwen)

效果截图：