理解爬虫原理

1. 简单说明爬虫原理

1、向服务器发起请求

2、获取响应内容

3、解析内容

4、保存内容

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

浏览器的主要功能是向服务器发出请求，在浏览器中展示选择的网路资源，一般资源就是HTML文档，也可以是PDF, IMGAGE,或者其他类型，资源的位置由用户使用URI(统一资源表示符)指定。

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/meitishijie_0225/10895.html'
res = requests.get(url)
res.encoding='utf-8'
res.text

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">Hello</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

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

<html> 
    <body> 
          <h1 id="title">Hello</h1> 
          <a href="#" class="link"> This is link1</a>
          <a href="# link2" class="link" qao=123> This is link2</a>
    </body> 
</html> '
soups = BeautifulSoup(html_sample,'html.parser')
a1 =soups.a
a = soups.select('a')
h = soups.select('h1')
t = soups.select('#title')
l = soups.select('.link')

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

temp=requests.get("http://news.gzcc.cn/html/2019/meitishijie_0225/10895.html")
temp.encoding='utf-8'

soups=BeautifulSoup(temp.text,'html.parser')
title=soups.select('.show-title')[0].text
content_array=soups.select('.show-info')[0].text.split()
content=soups.select('#content')
publish_date=content_array[0].split('发布时间:')[1]

actor=content_array[2]
click=requests.get("http://oa.gzcc.cn/api.php?op=count&id=11095&modelid=80").text.split('.html')[-1].replace("(","").replace(")","").replace("'","").replace(";","")
date=datetime.strptime(publish_date+' '+content_array[1],'%Y-%m-%d %H:%M:%S')

print("标题："+title)
print("点击次数："+click)
print(actor)
print(date)
print("内容："+content[0].text)

演示：