zoukankan      html  css  js  c++  java
  • 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'))
  • 相关阅读:
    Springboot-Static-Resource
    Springboot-Listener
    Springboot--servlet 、filter
    java 面试-- java框架-mybaits
    SVN备份教程(二)
    SVN备份教程(一)
    深入浅出MongoDB(三)环境搭建
    关于在c#中引用外部dll文件,在页面中找不到命名空间
    在win8中如何实现下拉刷新的功能
    C# treeview控件部分节点添加checkbox
  • 原文地址:https://www.cnblogs.com/1103a/p/8668903.html
Copyright © 2011-2022 走看看