1. 简单说明爬虫原理
发起请求：通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。
获取响应内容：如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。
解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。
保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
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 from bs4 import BeautifulSoup url = ‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘ res = requests.get(url) res.encoding = ‘utf-8‘ soup = BeautifulSoup(res.text, ‘html.parser‘) print(soup);
3).了解网页
写一个简单的html文件，包含多个标签，类，id
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>登录</title> <style type="text/css"> .head { margin-top: 50px; font-size: 30px; color: red; } #body { font-size: 20px; color: blue; margin-top: 50px; } </style> </head> <body> <center> <div class="head"> 广州商学院 </div> <div id="body"> 用户名：<input type="text"><br> 密码：<input type="text"> </div> </center> </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
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
from bs4 import BeautifulSoup htmlfile = open(‘bbb.html‘, ‘r‘, encoding=‘utf-8‘) htmlhandle = htmlfile.read() soup = BeautifulSoup(htmlhandle, "html.parser"); # 找出含有特定标签的html元素 print(soup.select("input")); # 找出含有特定类名的html元素 print(soup.select(".head")); # 找出含有特定id名的html元素 print(soup.select("#body"));
3.提取一篇校园新闻的标题、发布时间、发布单位
url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html‘
import requests from bs4 import BeautifulSoup url = ‘http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0401/9167.html‘ res = requests.get(url) res.encoding = ‘utf-8‘ soup = BeautifulSoup(res.text, ‘html.parser‘) aa=soup.select(‘.show-title‘)[0].text bb=soup.select(‘.show-info‘)[0].text print(aa+‘\n‘) print(bb+‘\n‘)
原文：https://www.cnblogs.com/huangjianke123/p/10592835.html