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

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

    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')

    import requests
    from bs4 import BeautifulSoup
    url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    res = requests.get(url)  # 返回response对象
    res.encoding = 'utf-8'
    print(res.text)
    soup = BeautifulSoup(res.text, 'html.parser')
    print(soup.a)
    print(soup.a.div)
    print(soup.head)
    print(soup.div)#字典,标签的所有属性
    print(soup.li)# 列表,所有子标签
    print(soup.ul)  #字符串
    print(soup.a.attrs)
    print(soup.a.attrs['href'])
    print(soup.select ('li'))
    print(soup.select('#p1Node'))
    print(soup.select('.news-list-title'))

    5.练习:

    取出h1标签的文本

    import requests
    from bs4 import BeautifulSoup
    url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    res = requests.get(url)  # 返回response对象
    res.encoding = 'utf-8'
    print(res.text)
    soup = BeautifulSoup(res.text, 'html.parser')
    
    print(soup.li.attrs)
    print(soup.a.attrs['href'])
    print(soup.select ('li'))
    print(soup.select('#p1Node'))
    print(soup.select('.news-list-title'))

    取出a标签的链接

    print(soup.a.attrs['href'])

    取出所有li标签的所有内容

    print(soup.li.attrs)#字典,标签的所有属性

    取出一条新闻的标题、链接、发布时间、来源

    print(soup.a.attrs['href'])
    print(soup.select('.news-list-title')[0].text)
    print(soup.select('li')[2].a.attrs['href'])
    print(soup.select('.news-list-info')[0].contents[0].text)
    print(soup.select('.news-list-info')[0].contents[1].text)

  • 相关阅读:
    【转】探秘Java中的String、StringBuilder以及StringBuffer
    【转】深入剖析Java中的装箱和拆箱
    谈谈我对多态的理解
    mysql组合索引之最左原则
    白衣浅谈各个集合的特性
    Linux 下的两个特殊的文件 -- /dev/null 和 /dev/zero 简介及对比
    内网穿透工具的原理与开发实战
    nohup命令说明-转载
    springboot 启动jar正确方式
    maven版本仲裁原则
  • 原文地址:https://www.cnblogs.com/qq8675/p/8671627.html
Copyright © 2011-2022 走看看