网络爬虫基础练习

# 1.利用requests.get(url)获取网页页面的html文件
import requests
newsurl=‘http://localhost:63342/filedocuments/index.html?_ijt=bi1vricmjrhamrnvli4fcktmvh‘
res = requests.get(newsurl) #返回response对象
res.encoding = ‘utf-8‘
# print(res.text)

# 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
print(soup.p) #标签名，返回第一个
print(soup.head)
print(soup.p.name)#字符串
print(soup.p.attrs)#字典，标签的所有属性
print(soup.p.contents) # 列表，所有子标签
print(soup.p.text)#字符串
print(soup.p.string)
print(soup.select(‘p‘))
# 4.取得含有特定CSS属性的元素
print(soup.select(‘#content‘))

print(soup.select(‘.show-nav‘))

# 5.练习：

# 取出h1标签的文本

print(soup.select(‘h1‘)[0].text)

# 取出a标签的链接
print(soup.select(‘a‘)[0].attrs[‘href‘])

# 取出所有li标签的所有内容
print(soup.select(‘li‘)[0].text)

# 取出一条新闻的标题、链接、发布时间、来源
# 标题
print(soup.select(‘title‘)[0].text)
# 链接
print(soup.select(‘a‘)[0].attrs[‘href‘])
# 发布时间
print(soup.select(‘.news-list-info‘)[0].contents[0].text)
# 来源
print(soup.select(‘.news-list-info‘)[0].contents[1].text)