码迷,mamicode.com
首页 > 其他好文 > 详细

网络爬虫基础练习

时间:2018-03-29 22:38:48      阅读:193      评论:0      收藏:0      [点我收藏+]

标签:对象   new   str   a标签   for   列表   文本   find   标题   

0.可以新建一个用于练习的html文件,在浏览器中打开。

 

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
newsurl = http://news.gzcc.cn/html/xiaoyuanxinwen/
res = requests.get(newsurl) #返回response
res.encoding = utf-8
soup = BeautifulSoup(res.text,html.parser)

print(soup.h1.text)    #取出h1标签的文本
for a in soup.find_all(a):
    print(a.attrs.get(href))   #取出a标签的链接
for  li in soup.select(li):
    print(li.contents)     #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
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
print(soup.select(.news-list-title)[0].text)
print(soup.select(.news-list)[0].a.attrs[href])
print(soup.select(.news-list-info)[0].span.text)
print(soup.select(.news-list-info)[0].select(span)[1].text)

 

网络爬虫基础练习

标签:对象   new   str   a标签   for   列表   文本   find   标题   

原文地址:https://www.cnblogs.com/stcy520/p/8672565.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!