本次作业来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
爬虫原理就是爬取网页。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
浏览器的主要功能是向服务器发出请求，在浏览器中展示选择的网路资源，一般资源就是HTML文档，也可以是PDF, IMGAGE,或者其他类型，资源的位置由用户使用URI(统一资源表示符)指定。
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 res1=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11080.html') res1.encoding = 'utf-8'
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> '
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
import bs4 from bs4 import BeautifulSoup soup1 = BeautifulSoup(res1.text,'html.parser')
select（选择器）定位数据
soupn.select('.show-info')[0].text.split()[0].split(':')[1] soupn.select('.show-info')[0].text.split()[2].split('：')[1]
找出含有特定标签的html元素
soups = BeautifulSoup(html_sample,'html.parser') soups.h1
找出含有特定类名的html元素
soupn.select('.show-info')[0].text.split()[2].split('：')[1]
找出含有特定id名的html元素
soupn.select('#content')[0].text
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。
import requests
from bs4 import BeautifulSoup
res1 = requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11080.html')
res1.encoding = 'utf-8'
soup1 = BeautifulSoup(res1.text,'html.parser')
title = soup1.select('.show-title')[0].text
newsTime = soup1.select('.show-info')[0].text[16:24]
newsDate = soup1.select('.show-info')[0].text.split()[0].split(':')[1]
actor = soup1.select('.show-info')[0].text.split()[2].split('：')[1]
newsSourse = actor = soup1.select('.show-info')[0].text.split()[4].split('：')[1]
detail = soup1.select('.show-content p')[0].text
clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=11080&modelid=80'
clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=11080&modelid=80'
a = int (requests.get(clickUrl).text.split('.html')[-1].split("'")[1])
a