zoukankan      html  css  js  c++  java
  • 理解爬虫原理

    作业来源:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881

    一. 简单说明爬虫原理

      爬虫即是从网络中爬取数据,就python为例,利用requests模块访问网址,将访问后返回的html保存下来,并利用bs4进行分析,将想要的数据保存下来。

    二. 理解爬虫开发过程

    1.简要说明浏览器工作原理

      从用户键入网址回车确认后,浏览器向服务器发送http请求,服务器接收到请求后相应的业务逻辑处理,并返回数据,浏览器接收到数据后,便开始解析返回来的数据,并生成DOM模型,渲染界面。

    2.使用 requests 库抓取网站数据

      运行代码:

    get=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html')
    get.encoding='utf-8'
    print(get.text)

      运行效果:

    3.了解网页

      运行代码:

    <!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Title</title>
    </head>
    <body>
    <div class="header">
        <button name="first_btn"></button>
    </div>
    
    <div class="main-contain">
        <table>
            <tr>
                <td>id</td>
                <td>姓名</td>
                <td>年龄</td>
            </tr>
        </table>
    </div>
    
    <div class="footer">
    
    </div>
    </body>
    </html>
    

      

    4.使用 Beautiful Soup 解析网页

      运行代码:

    import bs4
    from bs4 import BeautifulSoup
    get=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html')
    get.encoding='utf-8'
    soup=BeautifulSoup(get.text,'html.parser')
    

      

    三.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

      运行代码:

    import requests
    import bs4
    from bs4 import BeautifulSoup
    from datetime import datetime
    import re
    get=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html')
    get.encoding='utf-8'
    soup=BeautifulSoup(get.text,'html.parser')
    title=soup.select('.show-title')[0].text;
    head=soup.select('.show-info')[0].text.split()
    datetime=datetime.strptime(head[0][5:]+" "+head[1],'%Y-%m-%d %H:%M:%S')
    time = re.findall("d+",requests.get('http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80').text.split(';')[3])[0]
    content=soup.select('.show-content')[0].text
    print('标题:'+title)
    print('发布时间:'+str(datetime))
    print(head[4])
    print(head[2])
    print('点击次数:'+time)
    print(content)

      运行效果:

  • 相关阅读:
    C#开发中is和as的区别
    Winform开发框架之系统登录实现
    C#几个经常犯错误汇总
    JavaScript事件冒泡简介及应用
    在C#的winForm程序中调用和执行javascript
    C#关于托管程序和非托管程序的区别
    分布式计算 网格计算 并行计算 云计算
    (转)960的秘密
    集群概念:集群技术简介(转)
    好用的Sql格式化工具
  • 原文地址:https://www.cnblogs.com/97lzc/p/10625923.html
Copyright © 2011-2022 走看看