网络爬虫基础练习

0.可以新建一个用于练习的html文件，在浏览器中打开。

1.利用requests.get(url)获取网页页面的html文件

import requests

newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

res = requests.get(newsurl) #返回response对象

res.encoding='utf-8'

2.利用BeautifulSoup的HTML解析器，生成结构树

from bs4 import BeautifulSoup

soup = BeautifulSoup(res.text,'html.parser')

3.找出特定标签的html元素

soup.p #标签名，返回第一个

soup.head

soup.p.name #字符串

soup.p. attrs #字典，标签的所有属性

soup.p. contents # 列表，所有子标签

soup.p.text #字符串

soup.p.string

soup.select(‘li')

4.取得含有特定CSS属性的元素

soup.select('#p1Node')

soup.select('.news-list-title')

5.练习：

取出h1标签的文本
取出a标签的链接
取出所有li标签的所有内容
取出第2个li标签的a标签的第3个div标签的属性

取出一条新闻的标题、链接、发布时间、来源

import requests
url='http://news.gzcc.cn/html/xiaoyuanxinwen/'
request = requests.get(url)
request.encoding='utf-8'
from bs4 import BeautifulSoup
soup=BeautifulSoup(request.text,'html.parser')


#取出h1标签的文本
print(soup.h1.text)

#取出a标签的链接
for i in soup.select('a'):
     print(i.get('href'))

#取出所有li标签的所有内容
for i in soup.select('li'):
     print(i.contents)

#取出第2个li标签的a标签的第3个div标签的属性
print(soup.select('li')[0].a.select('div')[2].attrs)

#取出一条新闻的标题、链接、发布时间、来源
#标题
print(soup.select('.news-list-text')[0].div.text)

#链接
print(soup.select('.news-list-info')[0].span.text)

#时间
print(soup.select('.news-list-info')[0].select('span')[1].text)

#来源
print(soup.select('.list-container')[0].a.get('href'))