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
    from bs4 import BeautifulSoup
    newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    res = requests.get(newsurl) #返回response
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')

    print(soup.h1.text) #取出h1标签的文本
    for a in soup.find_all('a'):
    print(a.attrs.get('href')) #取出a标签的链接
    for li in soup.select('li'):
    print(li.contents) #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
    print(soup.select('li')[1].a.select('div')[2].attrs)

    #取出一条新闻的标题、链接、发布时间、来源
    print(soup.select('.news-list-title')[0].text)
    print(soup.select('.news-list')[0].a.attrs['href'])
    print(soup.select('.news-list-info')[0].span.text)
    print(soup.select('.news-list-info')[0].select('span')[1].text)

  • 相关阅读:
    swfupload控件文件上传大小限制设置
    C# 判断和创建目录路径
    [转载]Python ImportError: No module named 'requests'解决方法
    使用SQL语句进行特定值排序
    使用SQL语句进行数据复制
    Email正则表达式验证
    c#winform程序的改名(修改名称)
    关于无法加载DLL"***.dll":找不到指定的模块(异常来自HRESULT:0x8007007E)问题的解决办法
    C#中倒计时汇总
    C#中倒计时
  • 原文地址:https://www.cnblogs.com/XiaoFengLuo/p/8707408.html
Copyright © 2011-2022 走看看