作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
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
import requests 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 = ' <html> <body> <h1 id="title">Hello</h1> <a href="#" class="link"> This is link1</a> <a href="# link2" class="link" qao=123> This is link2</a> </body> </html> '
# 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
如url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
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 import datetime import requests from bs4 import BeautifulSoup 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 in sel: b = b.replace(i, '') zhengwen = soupn.select('.show-content')[0].text print(" "+"标题："+q+" "+"发布时间："+Time2+" "+ Zuozhe+" "+shenhe+" "+laiyuan+" "+ "游览次数："+b+" "+"正文："+zhengwen)
效果截图：
