0.可以新建一个用于练习的html文件，在浏览器中打开。
上课时老师所给的html文件，便于数据爬虫。
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>GZCC新闻网</title> </head> <body> <h1>This is the document body</h1> <P ID = "p1Node">This is paragraph 1.</P> <P ID = "p2Node">段落2</P> <a href="http://www.gzcc.cn/">广州商学院</a> <li><a href="http://news.gzcc.cn">新闻网</a></li> <li><a href="http://news.gzcc.cn"><div style="hight:80px">旧闻网</div></a></li> <li> <a href="http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html"> <div class="news-list-thumb"><img src="http://oa.gzcc.cn/uploadfile/2018/0328/20180328085249565.jpg"></div> <div class="news-list-text"> <div class="news-list-title" style="">我校校长杨文轩教授讲授新学期“思政第一课”</div> <div class="news-list-description">3月27日下午，我校校长杨文轩教授在第四教学楼310室为学生讲授了新学期“思政第一课”。</div> <div class="news-list-info"><span><i class="fa fa-clock-o"></i>2018-03-28</span><span><i class="fa fa-building-o"></i>马克思主义学院</span></div> </div> </a> </li> </body> </html
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
取出a标签的链接
取出所有li标签的所有内容
取出第2个li标签的a标签的第3个div标签的属性
取出一条新闻的标题、链接、发布时间、来源
#coding=utf-8 import requests from bs4 import BeautifulSoup url=‘http://localhost:63342/workpackage/venv/work.html?_ijt=vjvlm8mjmktirm7uukbpqh4tbl‘ res=requests.get(url) res.encoding=‘UTF-8‘ soup = BeautifulSoup(res.text,‘html.parser‘) # 取出h1标签的文本 print(soup.h1.text) #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 for i in soup.select(‘li‘): print(i.contents) #取出第2个li标签的a标签的第3个div标签的属性 print(soup.select(‘li‘)[1].a.select(‘div‘)[2].attrs) #取出一条新闻的标题、链接、发布时间、来源 #1，取标题 print(soup.select(‘.news-list-title‘)[0].text) #2.取链接 print(soup.select(‘li‘)[2].a.attrs[‘href‘]) #3.取发布时间 print(soup.select(‘.news-list-info‘)[0].contents[0].text) #4.取来源 print(soup.select(‘.news-list-info‘)[0].contents[1].text)
