理解爬虫原理

1. 简单说明爬虫原理

什么是爬虫

• 爬虫：请求网站并提取数据的自动化程序
• 百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

 

      基本流程：

 

• 发起请求：通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。
• 获取响应内容：如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。
• 解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。
• 保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件

 

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
from bs4 import BeautifulSoup

url='http://news.gzcc.cn/html/2019/tongzhigonggao_0321/11036.html'
response=requests.get(url) #获取网页html

response.encoding='utf-8'
print(response.text)

 

　　

 

3).了解网页

写一个简单的html文件，包含多个标签，类，id

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

 

3.提取一篇校园新闻的标题、发布时间、发布单位

url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'

 

import requests
from bs4 import BeautifulSoup

url='http://news.gzcc.cn/html/2019/tongzhigonggao_0321/11036.html'
response=requests.get(url) #获取网页html

response.encoding='utf-8'
print(response.text)

soup=BeautifulSoup(response.text,"lxml")  #用BS4构建标签对象，用lxml解析器解析获取内容

print(soup.select('.show-title'))#输出新闻标题
print(soup.select('.show-info'))#输出新闻发布时间作者单位