• 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

    soup.h1.text

    取出a标签的链接

    soup.a.attrs['href']

    取出所有li标签的所有内容

    for i in soup.select('li'):
        print(i.contents)

    取出第2个li标签的a标签的第3个div标签的属性

    soup.select('li')[1].a.select('div')[2]

    取出一条新闻的标题、链接、发布时间、来源 

    #取新闻标题
    soup.select('.news-list-title')[0].text
    
    #取链接
    soup.select('li')[1].a.attrs['href']
    
    #取发布时间
    soup.select('.news-list-info')[0].contents[0].text
    
    #取来源
    soup.select('.news-list-info')[0].contents[1].text
  • 相关阅读:
    认识目标文件的内容
    PetaLinux工程更新HDF文件的脚本
    [海思] 中断申请和重启问题
    [海思] HI3531D串口调试
    【C语言】结构体初始化
    [ZCU106] Petalinux 2018.3 与启动环境搭建记录
    旧版本源码usbip的移植
    jar包下载地址
    Django框架
    前端内容
  • 原文地址:https://www.cnblogs.com/xuyizhu/p/8665329.html
Copyright © 2020-2023  润新知