理解爬虫原理

本次作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881

一、简单说明爬虫原理

爬虫：即通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用

下面这幅图可以很好的表示爬虫的流程：

二、理解爬虫开发过程

1).简要说明浏览器工作原理

工作原理（请求与响应）：

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）
Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等

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"
res=requests.get(url)
res.encoding='UTF-8'
print(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">I am ss!</h1> 
          <a href="#" class="myclass"> This is myclass1</a>
          <a href="#link2" class="myclass" qao=123> This is myclass2</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

from bs4 import BeautifulSoup
soups = BeautifulSoup(html_sample,'html.parser')
a1 =soups.a
a = soups.select('a')
print(a)
h = soups.select('h1')
print(h)
t = soups.select('#title')
print(t)
l = soups.select('.myclass')
print(l)

三、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。

from datetime import datetime
import requests
from bs4 import BeautifulSoup
url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html"
res=requests.get(url)

res.encoding='UTF-8'
soup=BeautifulSoup(res.text,'html.parser')

# 标题
title=soup.select('.show-title')[0].text
print('标题：'+title)

# 时间
date=soup.select('.show-info')[0].text.split()[0].split(':')[1]# 日期
time=soup.select('.show-info')[0].text.split()[1]# 时间
t=date+' '+time#时间合并成字符串
ti=datetime.strptime(t,'%Y-%m-%d %H:%M:%S')
print('时间：',end='')
print(ti)

# 作者
zz=soup.select('.show-info')[0].text.split()[2]
print(zz)

# 单位
dw=soup.select('.show-info')[0].text.split()[4]
print('单位'+dw)

# 点击次数
clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=3708&modelid=80'
click = requests.get(clickUrl).text.split(';')[3]
c =int(click.split("'")[3])
print('点击次数：{}次'.format(c))

# 正文
wz=soup.select('#content')[0].text
print('正文：'+wz)

截图：