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‘
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]
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‘)
发布单位：
soup.select(‘.show-info‘)[0].text.split()[4].split(‘：‘)[1]
作者：
# 作者 soup.select(‘.show-info‘)[0].text.split()[2].split(‘：‘)[1]
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]))
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]
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)
原文：https://www.cnblogs.com/chenshijiong/p/10622872.html