网络爬虫基础练习

1.利用requests.get(url)获取网页页面的html文件

代码：

import requests
url='http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(url)
res.encoding = 'utf-8'
print(res.text)

运行结果图：

2.利用BeautifulSoup的HTML解析器，生成结构树

代码：

from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')

3.找出特定标签的html元素

代码：

print(soup.body.div.div)
print(soup.body.div.div.contents)
print(soup.head)
print(soup.head.text)
print(soup.select('li'))

4.取得含有特定CSS属性的元素

print(soup.select('.container'))
print(soup.select('#top'))

5.练习：

取出h1标签的文本

print(soup.body.h1.text)

取出a标签的链接

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

　

取出所有li标签的所有内容

print(soup.body.li.text)
print(soup.body.li.contents)

　

取出一条新闻的标题、链接、发布时间、来源

s0=soup.select('.news-list-title')[0].text
s3=soup.body.li.a.attrs['href']
s1=soup.select('.news-list-info')[0].contents[0].text
s2=soup.select('.news-list-info')[0].contents[1].text