理解爬虫原理

这次作业的要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881

1. 简单说明爬虫原理

通过代码从网页抓取所需的信息

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

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

#导入requests库
import requests
from bs4 import BeautifulSoup
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'
news = requests.get(url)
news.encoding = 'utf-8'
print(news.text)

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>
	<head>
		<meta charset="utf-8" />
		<title>1</title>
		<script type="text/javascript" src="js/jquery-1.9.0.js" ></script>
		<script>
	   $(document).ready(function(){
	   	$("form input").css("border","3px solid red");
	   })		
	  
		</script>
		<script>
			 function click(){
	   	alert("你好");
	   }
		</script>
		<style>
			form{
				border: 2px green;
			}
		</style>
	</head>
	<body>
     <form>
     	用户名：<input name="textname" type="text" value="" /><br>
                        密    码：<input name="textpass" type="password" /><br>
                        <button onclick="click()">提交</button>
     </form>	
     表单外的文本框:<input name="none" />
	</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

import requests
from bs4 import BeautifulSoup
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'
news = requests.get(url)
news.encoding = 'utf-8'
newSoup = BeautifulSoup(news.text,'html.parser')
#找出含有特定标签的html元素
newSpan = newSoup.select('span');
print('找出含有span标签的html元素:')
print(newSpan);
#找出含有特定类名的html元素
newInfo = newSoup.select('.show-info');
print('找出class=show-info的html元素:');
print(newInfo);
#找出含有特定id名的html元素
newContent = newSoup.select('#content')[0].text;
print('找出id=content的html元素:');
print(newContent);

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。

import requests
from bs4 import BeautifulSoup
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'
news = requests.get(url)
news.encoding = 'utf-8'
newSoup = BeautifulSoup(news.text,'html.parser')
#标题
title = newSoup.select('.show-title')[0].text
print('标题:'+title);
#发布时间
newDate = newSoup.select('.show-info')[0].text.split()[0].lstrip('发布时间:')
newTime = newSoup.select('.show-info')[0].text.split()[1]
newDateTime = newDate+' '+newTime
print('发布时间:'+newDateTime);
#发布单位
source = newSoup.select('.show-info')[0].text.split()[4].lstrip('来源：')
print('发布单位:'+source);