作业要求源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
互联网就像一张大的蜘蛛网，数据便是存放在蜘蛛网的各个节点，爬虫就像一只蜘蛛，沿着网络抓去自己需要的数据。爬虫：向网站发起请求，获取资源后进行分析并提取有用的数据的程序
2. 理解爬虫开发过程
1).简要说明浏览器工作原理
在浏览器的地址栏输入网址并按回车后，浏览器就会向服务器发送http请求，服务器接收到请求后进行业务处理并向浏览器返回请求的资源，浏览器将获取到的返回数据进行解析、渲染，形成网页。
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 import bs4 from bs4 import BeautifulSoup url = "http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html" res = requests.get(url) res.encoding = 'utf-8' soupn = BeautifulSoup(res.text,'html.parser') print(soupn)
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html = ' <html> <body> <h1 id="title">Hello</h1> <a href="# link1" class="link" id="link1"> This is link1</a> <a href="# link2" class="link" id="link2"> 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
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
from bs4 import BeautifulSoup html = ' <html> <body> <h1 id="title">Hello</h1> <a href="# link1" class="link" id="link1"> This is link1</a> <a href="# link2" class="link" id="link2"> This is link2</a> </body> </html> ' soups = BeautifulSoup(html, 'html.parser') a = soups.a # 获取文档中的第一个与‘a’同名的标签,返回类型为Tag h1 = soups.select('h1') # 获取标签名为‘h1’的标签的内容,返回类型为list link_class = soups.select('.link') # 获取类名为‘link’的标签的内容,返回类型为list link_id = soups.select('#link2') # 获取id为‘link2’的标签的内容,返回类型为list print(a) print(h1) print(link_class) print(link_id)
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
提取的校园新闻url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html'
发布时间为datetime类型，点击次数为数值型，其它是字符串类型。
代码：
import requests import bs4 from bs4 import BeautifulSoup url = "http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html" res = requests.get(url) res.encoding = 'utf-8' soupn = BeautifulSoup(res.text,'html.parser') print("内容："+soupn.select('.show-content')[0].text) print(soupn.title) #print(soupn.select(".show-info")[0].text.split(':')[1]) info = soupn.select(".show-info")[0].text.split() #print(info) xinDate = info[0].split(':')[1] print(xinDate) xinTime = info[1] print(xinTime) newdt = xinDate + ' '+ xinTime print(newdt) from datetime import datetime now = datetime.now() #now = now.strptime('%Y{y}%m{m}%d{d} %H{h}%M{f}%S{s}').__format__(y='年',m='月',d='日',h='时',f='分',s='秒') now = now.strftime('%Y{y}%m{m}%d{d} %H{h}%M{f}%S{s}').format(y='年',m='月',d='日',h='时',f='分',s='秒') print(now) clickurl = "http://oa.gzcc.cn/api.php?op=count&id=11095&modelid=80" click = requests.get(clickurl).text.split("'")[3] print(click)
