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

    import requests
    from bs4 import BeautifulSoup
     
    url = 'http://localhost:63342/draw/venv/329.html?_ijt=nf522vm6pmjoqqg6p6nfqp03rf'
    res = requests.get(url)
    res.encoding = 'utf-8'
    res.text
    soup = BeautifulSoup(res.text, 'html.parser')
    a = soup.select('h1')[0].text
    print(a)
    


    取出a标签的链接

    b=soup.a.attrs['href']
    c=soup.li.a.attrs['href']
    print(b)
    print(c)
    


    取出所有li标签的所有内容

    for d in soup.select('li'):
        print(d)
    


    取出一条新闻的标题、链接、发布时间、来源

    a0 =soup.select('.news-list-title')[0].text
    print(a0)
    a1 =soup.li.a.attrs['href']
    print(a1)
    a2=soup.select('.news-list-info')[0].contents[0].text
    print(a2)
    a3 =soup.select('.news-list-info')[0].contents[1].text
    print(a3)
    
  • 相关阅读:
    [转载]memcached完全剖析--1. memcached的基础
    I/O多路复用
    How to install the zsh shell in Linux && how to set it as a default login shell
    深入理解计算机中的 csapp.h和csapp.c
    (一)网络编程基础之套接字入门
    crx
    t
    武汉第一例肺炎病例
    C语言 ## __VA_ARGS__ 宏
    NLP之中文分词cppjieba
  • 原文地址:https://www.cnblogs.com/xujinpei/p/8678012.html
Copyright © 2011-2022 走看看