• 网络爬虫基础练习


    0.可以新建一个用于练习的html文件,在浏览器中打开。

    1.利用requests.get(url)获取网页页面的html文件

    import requests

    newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

    res = requests.get(newsurl) #返回response对象

    res.encoding='utf-8'

    2.利用BeautifulSoup的HTML解析器,生成结构树

    from bs4 import BeautifulSoup

    soup = BeautifulSoup(res.text,'html.parser')

    3.找出特定标签的html元素

    soup.p #标签名,返回第一个

    soup.head

    soup.p.name #字符串

    soup.p. attrs #字典,标签的所有属性

    soup.p. contents # 列表,所有子标签

    soup.p.text #字符串

    soup.p.string

    soup.select(‘li')

    4.取得含有特定CSS属性的元素

    soup.select('#p1Node')

    soup.select('.news-list-title')

    5.练习:

    取出h1标签的文本
    取出a标签的链接
    取出所有li标签的所有内容
    取出第2个li标签的a标签的第3个div标签的属性

    取出一条新闻的标题、链接、发布时间、来源

    # -*- coding:utf-8 -*-
    
    import requests
    from bs4 import BeautifulSoup
    
    res = requests.get('http://localhost:63342/demo/demo.html?_ijt=ckuj5j0gqtro8l1rnki5ik6j7f')
    res.encoding = 'utf-8'
    
    soup = BeautifulSoup(res.text, 'html.parser')
    # 取出h1标签的文本
    print(soup.h1.text)
    # 取出a标签的链接
    print(soup.a['href'])
    # 取出所有li标签的所有内容
    for i in soup.select('li'):
        print(i)
    # 取出第2个li标签的a标签的第3个div标签的属性
    print(soup.select('li')[1].a.select('div')[2].attrs)
    # 取出一条新闻的标题、链接、发布时间、来源
    print('标题:'+soup.select('.news-list-title')[0].text)
    print('链接:'+soup.select('a')[2]['href'])
    print('发布时间:'+soup.select('.news-list-info')[0].span.text)
    print('来源:'+soup.select('.news-list-info')[0].select('span')[1].text)
  • 相关阅读:
    RAC RMAN 备份 RMAN03009 ORA19504 ORA27040 RMAN06012 channel c3 not allocated 错误分析
    Oracle 发送邮件 存储过程 代码
    RAC 之 RMAN 备份
    Oracle 一次小优化
    RAC 实例不能启动
    Oracle Hint
    RAC 之 RMAN 备份
    远程客户端 访问 ASM 实例
    RAC RMAN 备份 RMAN03009 ORA19504 ORA27040 RMAN06012 channel c3 not allocated 错误分析
    RAC the cluster database(DB_NAME) already exits
  • 原文地址:https://www.cnblogs.com/171-LAN/p/8665148.html
Copyright © 2020-2023  润新知