这次作业的要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881

1. 简单说明爬虫原理

通过代码从网页抓取所需的信息

2. 理解爬虫开发过程

1).简要说明浏览器工作原理；

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

#导入requests库import requestsfrom bs4 import BeautifulSoupurl = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'news = requests.get(url)news.encoding = 'utf-8'print(news.text)

　　

3).了解网页

写一个简单的html文件，包含多个标签，类，id

			
     												     
     
           	用户名：
      
      
                        密    码：
      
      
                        
      提交     
     
	     表单外的文本框:	

　　

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

 

import requestsfrom bs4 import BeautifulSoupurl = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'news = requests.get(url)news.encoding = 'utf-8'newSoup = BeautifulSoup(news.text,'html.parser')#找出含有特定标签的html元素newSpan = newSoup.select('span');print('找出含有span标签的html元素:')print(newSpan);#找出含有特定类名的html元素newInfo = newSoup.select('.show-info');print('找出class=show-info的html元素:');print(newInfo);#找出含有特定id名的html元素newContent = newSoup.select('#content')[0].text;print('找出id=content的html元素:');print(newContent);

 

　　

 

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

如url = ''

要求发布时间为datetime类型，点击次数为数值型，其它是字符串类型。

 

import requestsfrom bs4 import BeautifulSoupurl = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0331/11111.html'news = requests.get(url)news.encoding = 'utf-8'newSoup = BeautifulSoup(news.text,'html.parser')#标题title = newSoup.select('.show-title')[0].textprint('标题:'+title);#发布时间newDate = newSoup.select('.show-info')[0].text.split()[0].lstrip('发布时间:')newTime = newSoup.select('.show-info')[0].text.split()[1]newDateTime = newDate+' '+newTimeprint('发布时间:'+newDateTime);#发布单位source = newSoup.select('.show-info')[0].text.split()[4].lstrip('来源：')print('发布单位:'+source);