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
import requests
from bs4 import BeautifulSoup
re =requests.get(‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘)
re.encoding=‘utf-8‘
soup=BeautifulSoup(re.text,‘html.parser‘)
for h1 in soup.find_all(‘h1‘):
print(h1.text)
for a in soup.find_all(‘a‘):
print(a.attrs.get(‘href‘))
for li in soup.find_all(‘li‘):
print(li.contents)
print(soup.find_all(‘li‘)[8].a.find_all(‘div‘)[2].attrs)
print(‘标题：‘+soup.select(‘.news-list-title‘)[1].text)
print(‘链接：‘+soup.select(‘a‘)[13][‘href‘])
print(‘发布时间：‘+soup.select(‘.news-list-info‘)[1].span.text)
print(‘来源：‘+soup.select(‘.news-list-info‘)[1].select(‘span‘)[1].text)
