• 网络爬虫基础练习


    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

    import requests
    url='http://localhost:63342/untitled001/index.html?_ijt=qha65g9m3uvkp5ijfh0b7h041t'
    res = requests.get(url)
    res.encoding='utf-8'


    from bs4 import BeautifulSoup
    soup = BeautifulSoup(res.text,'html.parser')
    print(soup.h1.text)

    
    


    取出a标签的链接

    import requests
    url='http://localhost:63342/untitled001/index.html?_ijt=1jot1o2jp7hl0cfc7hs6vhl2j3'
    res = requests.get(url)
    res.encoding='utf-8'


    from bs4 import BeautifulSoup
    soup = BeautifulSoup(res.text,'html.parser')
    # print(soup.h1.text)
    print(soup.a.attrs['href'])

    
    


    取出所有li标签的所有内容

    print(soup.li.attrs)


    取出一条新闻的标题、链接、发布时间、来源

    print(soup.a.attrs['href'])
    print(soup.select('.news-list-title')[0].text)
    print(soup.select('li')[2].a.attrs['href'])
    print(soup.select('.news-list-info')[0].contents[0].text)
    print(soup.select('.news-list-info')[0].contents[1].text)

    
    
  • 相关阅读:
    EF 配置(SqlServer,Mysql)
    mysql sql优化
    非root用户安装、配置mysql
    使用spring jdbc遇到的一个性能问题
    mac 修改 vim 配色
    logstash 监控日志文件时应对日志文件名改变的原理
    java Atomic compareAndSet部分原理分析
    实现进程单例的一些想法
    java String、String.concat和StringBuilder性能对比
    Elasticsearch 动态修改replica配置、增删replica
  • 原文地址:https://www.cnblogs.com/mimimi/p/8671894.html
Copyright © 2020-2023  润新知