理解爬虫原理

1. 简单说明爬虫原理

什么是爬虫？

爬虫：请求网站并提取数据的自动化程序

百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

爬虫原理：

模拟计算机对服务器发起Request请求；

接收服务器的Response内容并解析、提取所需的信息。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

通过浏览器向目标站点发送请求，经过服务器的处理之后又通过浏览器做出反应。

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
res=requests.get('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11047.html')
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" num=2019> This is link2</a>
　<p id="info">This is info
 </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

soup=BeautifulSoup(html_hjy,'html.parser')

select（选择器）定位数据

t = news.select('#title')
l = news.select('.link')

找出含有特定标签的html元素

t=soup.select('h1')[0].text
print(t)

找出含有特定类名的html元素

for i in range(len(soup.select('.link'))):
    d=soup.select('.link')[i].text
    print(d)

找出含有特定id名的html元素

info=soup.select('#info')[0].text
print(info)

3.提取一篇校园新闻的标题、发布时间、发布单位

import requests
from bs4 import BeautifulSoup
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
#网络资源获取
res=requests.get(url)
res.encoding='utf-8'
# 解析成DOM Tree
soup=BeautifulSoup(res.text,'html.parser')
# 提取详细信息
t = soup.select('.show-title')[0].text
for news in soup.select('div'):
    if len(news.select('.show-title'))>0:
        t=news.select('.show-title')[0].text
        b=news.select('.show-info')[0].text
        print(t,b)
        break

　　结果如下：