• python-爬出基础


    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')
    二.练习
    爬取对象源页
    <!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Simple DOM Demo</title>
    </head>
    
    <body>
        <h1>This is the document body</h1>
        <P ID = "p1Node">This is paragraph 1.</P>
        <P ID = "p2Node">段落2</P>
        <a href="http://www.gzcc.cn/">广州商学院</a>
        <li>
            <a href="http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0328/9113.html">
                <div class="news-list-thumb"><img src="http://oa.gzcc.cn/uploadfile/2018/0328/20180328085249565.jpg"/></div>
                <div class="news-list-text">
                    <div class="news-list-title" style="">我校校长杨文轩教授讲授新学期“思政第一课”</div>
                    <div class="news-list-description">3月27日下午,我校校长杨文轩教授在第四教学楼310室为学生讲授了新学期“思政第一课”。</div>
                    <div class="news-list-info"><span><i class="fa fa-clock-o"></i>2018-03-28</span><span><i class="fa fa-building-o"></i>马克思主义学院</span></div>
                </div>
            </a>
        </li>
    
    </body>
    </html>

    python操作代码

    import requests
    from bs4 import BeautifulSoup
    
    #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
    # 取出一条新闻的标题、链接、发布时间、来源
    #获取============
    url='http://localhost:63342/bd/0328.html?_ijt=h9b41m2eup4kmk1cet0l4ai05j'
    res=requests.get(url)
    res.encoding='utf-8'
    print(type(res))
    #管理排序=========
    soup=BeautifulSoup(res.text,'html.parser')
    print(type(soup))
    #操作=============
    print(soup.a.attrs['href'])
    
    print(soup.li.text)
    
    print(soup.select('.news-list-title'))
    print(soup.a.attrs['href'])
    print(soup.select('fa fa-clock-o'))
    print(soup.select('fa fa-building-o'))
     
  • 相关阅读:
    FTP解决办法:服务器发回了不可路由的地址。使用服务器地址代替。
    隐藏显示终端的光标(shell echo,linux c printf)
    FTP服务2种工作方式详解,PORT方式和PASV方式,(即主动模式和被动模式)
    XP使用VNC远程桌面CentOS 6(原创,备忘)
    LINUX命令行技巧
    FTP服务器(vsftpd)配置随笔
    更快、更强 64位编程的三十二条军规
    MFC 程序入口和执行流程
    css实现居中
    treeview控件显示指定目录下的目录和文件
  • 原文地址:https://www.cnblogs.com/gg8-8/p/8672654.html
Copyright © 2020-2023  润新知