这次作业要求来自于:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881
1. 简单说明爬虫原理
如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，沿着网络抓取自己的猎物。爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；从技术层面来说就是 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。
2. 理解爬虫开发过程
1).简要说明浏览器工作原理；
浏览器工作原理的实质就是实现http协议的通讯，具体过程如下： HTTP通信的流程，大体分为三个阶段：
（1） 连接 服务器通过一个ServerSocket类对象对8000端口进行监听，监听到之后建立连接，打开一个socket虚拟文件。
（2）请求 创建与建立socket连接相关的流对象后，浏览器获取请求，为GET请求，则从请求信息中获取所访问的HTML文件名，向服务器发送请求。
（3）应答 服务收到请求后，搜索相关目录文件，若不存在，返回错误信息。若存在，则想html文件，进行加HTTP头等处理后响应给浏览器，浏览器解析html文件，若其中还包含图片，视频等请求，则浏览器再次访问web服务器，异常获取图片视频等，并对其进行组装显示出来。
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
运行代码：
import requests url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html" res=requests.get(url) res.encoding='utf-8' print(res.text)
运行截图：
3).了解网页
写一个简单的html文件，包含多个标签，类，id
运行代码：
html = ' <html> <body> <h1 id="title">Hello</h1> <a href="#" class="link"> This is link1</a> <a href="# link2" class="link" qao=123> This is link2</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
运行代码：
from bs4 import BeautifulSoup html = ' <html> <body> <h1 id="title">Hello</h1> <a href="#" class="link"> This is link1</a> <a href="# link2" class="link" id="link2"> This is link2</a> </body> </html> ' soups=BeautifulSoup(html,'html.parser') a=soups.a h=soups.select('h1') l=soups.select('.link') i=soups.select('#link2') print(soups) print(i)
运行截图：
3.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
本次爬虫的网站为：http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html，发布时间为datetime类型，点击次数为数值型，其它是字符串类型。
（1）新闻标题
运行代码：
import requests url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0328/11086.html" res=requests.get(url) res.encoding='utf-8' import bs4 from bs4 import BeautifulSoup soup1=BeautifulSoup(res.text,'html.parser') title=soup1.select('.show-title')[0].text
print(title)
（2）新闻发布时间
运行代码：
from datetime import datetime time=soup1.select('.show-info')[0].text.split()[0].split(':')[1] time1=soup1.select('.show-info')[0].text.split()[1] newtime=time+' '+time1 newtime=datetime.strptime(newtime,"%Y-%m-%d %H:%M:%S") print("发布时间："+str(newtime))
（3）新闻作者
运行代码：
author=soup1.select('.show-info')[0].text.split()[2] print(author)
（4）新闻审核者
运行代码：
checker=soup1.select('.show-info')[0].text.split()[3] print(checker)
（5）新闻来源
运行代码：
come=soup1.select('.show-info')[0].text.split()[4] print(come)
（6）新闻摄影
运行代码：
photo=soup1.select('.show-info')[0].text.split()[5] print(photo)
（7）新闻点击数
运行代码：
clickUrl="http://oa.gzcc.cn/api.php？op=count&id=11086&modelid=80" clickNum=requests.get(clickUrl).text.split('.html')[-1][2:-3] print("点击次数："+clickNum)
（8）新闻正文
运行代码：
content=soup1.select('.show-content')[0].text.split()[0:4] print(content)
4.爬虫整体运行截图
