博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
网络爬虫基础练习
阅读量:6037 次
发布时间:2019-06-20

本文共 1379 字,大约阅读时间需要 4 分钟。

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 url='http://localhost:63342/untitled001/index.html?_ijt=qha65g9m3uvkp5ijfh0b7h041t' res = requests.get(url) res.encoding='utf-8' from bs4 import BeautifulSoup soup = BeautifulSoup(res.text,'html.parser') print(soup.h1.text)

 

取出a标签的链接

import requests url='http://localhost:63342/untitled001/index.html?_ijt=1jot1o2jp7hl0cfc7hs6vhl2j3' res = requests.get(url) res.encoding='utf-8' from bs4 import BeautifulSoup soup = BeautifulSoup(res.text,'html.parser') # print(soup.h1.text) print(soup.a.attrs['href'])

 

取出所有li标签的所有内容

print(soup.li.attrs)

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)

 

转载于:https://www.cnblogs.com/mimimi/p/8671894.html

你可能感兴趣的文章
Digester 的使用(tomcat中server.xml and web.xml 的加载)
查看>>
JS获取阴历阳历和星期
查看>>
Dell-R730 【Pxe+dhcp+ftp+tftp+Kickstart+CentOs6.6】
查看>>
python学习记录-打印九九乘法表
查看>>
sqlserver查看死锁进程工具脚本p_lockinfo
查看>>
eval函数
查看>>
关于C语言指针几个容易混淆的概念
查看>>
阅读第8,9,10章
查看>>
理解Linux文件系统之 inode
查看>>
安全感
查看>>
【转】奇异值分解(SVD)原理详解及推导
查看>>
SQL基础操作指令
查看>>
微信浏览器播放音频的问题:preload属性
查看>>
Linux之/etc/fstab文件讲解
查看>>
Nosql入门知识(转)
查看>>
HustOJ - 1019
查看>>
IntelliJ IDEA 配置Jetty
查看>>
disruptor 核心概念 二
查看>>
矩阵快速幂
查看>>
什么是注入点
查看>>