码迷,mamicode.com
首页 > 其他好文 > 详细

理解爬虫原理

时间:2019-03-31 23:18:14      阅读:221      评论:0      收藏:0      [点我收藏+]

标签:amp   bs4   php   模拟   数据   浏览器   选择   类型   parser   

1. 简单说明爬虫原理

      程序模拟浏览器送请求来获取网页代码,提取出有用的数据,储存起来。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理;

     浏览器提交请求--->下载网页代码--->解析成页面

2).使用 requests 库抓取网站数据;

requests.get(url) 获取校园新闻首页html代码

import requests

url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html‘
re = requests.get(url)
re.encoding=‘utf-8‘

技术图片

3).了解网页

写一个简单的html文件,包含多个标签,类,id

<html> 
    <body> 
          <h1 id="title">hi</h1> 
          <a href="#" class="link"> This is link1</a>
          <a href="# link2" class="link" qao=123> This is link2</a>
    </body> 
</html> 

4).使用 Beautiful Soup 解析网页;

通过BeautifulSoup(html_sample,‘html.parser‘)把上述html文件解析成DOM Tree

import bs4
from bs4 import BeautifulSoup
soup = BeautifulSoup(re.text,"html.parser")

select(选择器)定位数据

找出含有特定标签的html元素

找出含有特定类名的html元素

找出含有特定id名的html元素

# 标题
soup.title.text.split()[0] 
# 作者
soup.select(‘.show-info‘)[0].text.split()[2].split(‘:‘)[1]
# 出处
soup.select(‘.show-info‘)[0].text.split()[4].split(‘:‘)[1]

3.提取一篇校园新闻的标题、发布时间、发布单位、作者、点击次数、内容等信息

如url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html

要求发布时间为datetime类型,点击次数为数值型,其它是字符串类型。

标题:

# 标题
soup.title.text.split()[0] 

技术图片

发布时间:

from datetime import datetime
year=soup.select(‘.show-info‘)[0].text.split()[0].split(‘:‘)[1]
time = soup.select(‘.show-info‘)[0].text.split()[1]
jx=year+‘ ‘+time
cday = datetime.strptime(jx, ‘%Y-%m-%d %H:%M:%S‘)

  技术图片

发布单位:

soup.select(‘.show-info‘)[0].text.split()[4].split(‘:‘)[1]

技术图片

作者:

# 作者
soup.select(‘.show-info‘)[0].text.split()[2].split(‘:‘)[1]

技术图片

点击次数:

num = requests.get(‘http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80‘)
print (int(num.text.split(‘.html‘)[-1].split(‘\‘‘)[1]))

技术图片

内容:

newtext=‘‘
text=soup.select(‘.show-content‘)[0].text.replace(‘\r\n‘, ‘ ‘).split(‘\u3000\u3000‘)
for i in range(1,len(text)):
    newtext=newtext+text[i]

技术图片

 

代码:

from bs4 import BeautifulSoup
import requests
from datetime import datetime

url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html‘
re = requests.get(url)
re.encoding=‘utf-8‘

soup = BeautifulSoup(re.text,"html.parser")
soup.select(‘img‘)[1][‘src‘]

year=soup.select(‘.show-info‘)[0].text.split()[0].split(‘:‘)[1]
time = soup.select(‘.show-info‘)[0].text.split()[1]
jx=year+‘ ‘+time
cday = datetime.strptime(jx, ‘%Y-%m-%d %H:%M:%S‘)

# 标题
title=soup.title.text.split()[0]
# 作者
zz=soup.select(‘.show-info‘)[0].text.split()[2].split(‘:‘)[1]
# 出处
cc=soup.select(‘.show-info‘)[0].text.split()[4].split(‘:‘)[1]

newtext=‘‘
text=soup.select(‘.show-content‘)[0].text.replace(‘\r\n‘, ‘ ‘).split(‘\u3000\u3000‘)
for i in range(1,len(text)):
    newtext=newtext+text[i]

num = requests.get(‘http://oa.gzcc.cn/api.php?op=count&id=11086&modelid=80‘)
print(‘标题:‘+title+‘\n作者:‘+zz+‘\n出处:‘+cc+
      ‘\n次数:‘+num.text.split(‘.html‘)[-1].split(‘\‘‘)[1]+
      ‘\n时间:‘+jx+‘\n内容:‘+newtext)

  

理解爬虫原理

标签:amp   bs4   php   模拟   数据   浏览器   选择   类型   parser   

原文地址:https://www.cnblogs.com/chenshijiong/p/10622872.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!