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:
    POJ 1094 (传递闭包 + 拓扑排序)
    POJ 2594 (传递闭包 + 最小路径覆盖)
    POJ 3041 Asteroids(二分图最大匹配)
    差分数组原理与其前缀和的应用
    树状数组的理解以及简单应用
    HDU 4635 (完全图 和 有向图缩点)
    2.基本数据类型
    Python基础
    数据库类型
    Vue-2
  • 原文地址:https://www.cnblogs.com/XiaoFengLuo/p/8707408.html
Copyright © 2011-2022 走看看