AI&BigData one：使用Python爬虫实现爬取HTML页面内容

# -*- coding: utf-8 -*-  

'Python实现爬取HTML页面内容

# 导入requests包
import requests
# BeautifulSoup用于页面解析
from bs4 import BeautifulSoup

# requests get请求
# requests.get里面返回的就是纯网页文件，下面需要进一步的解析
req = requests.get('http://finance.eastmoney.com/news/cywjh.html')  # 东方财富网
# 页面数据结构化
bs = BeautifulSoup(req.content, 'html.parser')
# =============================================================================  
# 页面解析  
# =============================================================================  
# 获取类标签为title的所有p段落,即为该页面的新闻报道的标题
# 对于为什么是选择class='title'的段落，这个需要通过浏览器的开发工具来查看具体的HTML源代码。
p_title = bs.find_all('p', attrs={'class': 'title'})
# print p_title[0]
# 循环获取该页面的所有新闻标题
for info in p_title:
    # 获取p标签里面的a标签的url
    url = info.a.get('href')
    # print url
    # 详细页面get请求
    req = requests.get(url)
    # 页面数据结构化
    bs1 = BeautifulSoup(req.content, 'html.parser')
    # =============================================================================  
    # 笔记：  
    # find()方法为找到第一个符合条件的对象  
    # find_all()方法为找到所有符合条件的对象  
    # =============================================================================  
    # 详细页面解析
    title = bs1.find('h1').text  # 找到第一个h1标签
    p_all = bs1.find_all('p')  # 找到所有的p标签
    # print该篇新闻的题目
    print title
    for p in p_all:
        # 循环print该篇新闻的所有段落内容
        print p.text
    print '-------------------------------------'