菜鸟学IT之python网页爬取初体验

作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2881

1. 简单说明爬虫原理

爬虫简单来说就是通过程序模拟浏览器放松请求站点的行为，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，通过一些算法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；

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

import requests
url = \'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html\'
res = requests.get(url)
type(res)
res.encoding =\'utf-8\'
soupn = BeautifulSoup(res.text,\'html.parser\')  # html 规格打印
print(soupn)

截图：

3).了解网页

写一个简单的html文件，包含多个标签，类，id

html_sample = \' \
<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> \'

# 各种查询方式
a = soupn.select(\'a\') # 使用标签节点a查询
ids = soupn.select(\'#id\') # 使用id号查询
classs = soupn.select(\'.class\') # 使用class类查询
print(a,ids,classs)

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

idchaxun = soupn.select(\'#content\')[0].text
biaoqianchaxun = soupn.select(\'img\')[0][\'src\']
leichaxun = soupn.select(\'.show-info\')[0].text
print(idchaxun,biaoqianchaxun,leichaxun)

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

如url = \'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html\'

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。

下载：requests、BeautifulSoup4库

获取网页游览次数请求的url:

clickUrl=\'http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80\'
b = requests.get(clickUrl).text
b2 = requests.get(clickUrl).text.split(\'.html\')[-1]
print(b2)

完整代码：

from datetime import datetime

import requests
from bs4 import BeautifulSoup
url = \'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html\'
res = requests.get(url)
type(res)
res.encoding = \'utf-8\'
soupn = BeautifulSoup(res.text,\'html.parser\')  # html 规格打印

q = soupn.title.text  # 标题
soupn1 = soupn.select(\'.show-info\')[0].text  # 作者与发布时间等信息

# 时间转化为datetime类型
time1 = soupn.select(\'.show-info\')[0].text.split()[0].split(\':\')[1]
time2 = soupn.select(\'.show-info\')[0].text.split()[1]
Time = time1 + \' \' + time2
Time1 = datetime.strptime(Time, \'%Y-%m-%d %H:%M:%S\')
Time2 = datetime.strftime(Time1, \'%Y{y}-%m{m}-%d{d} %H{H}%M{M}%S{S}\').format(y=\'年\', m=\'月\', d=\'日\', H=\'时\', M=\'分\', S=\'秒\')

Zuozhe = soupn.select(\'.show-info\')[0].text.split()[2]  # 作者
shenhe = soupn.select(\'.show-info\')[0].text.split()[3]  # 审核
laiyuan = soupn.select(\'.show-info\')[0].text.split()[4]   # 来源


# 游览次数
clickUrl=\'http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80\'
b = requests.get(clickUrl).text.split(\'.html\')[-1]  # 获取总游览次数
sel = "();\'\'"
for i in sel:
    b = b.replace(i, \'\')

zhengwen = soupn.select(\'.show-content\')[0].text

print("\n"+"标题："+q+"\n"+"发布时间："+Time2+"\n"+
      Zuozhe+"\n"+shenhe+"\n"+laiyuan+"\n"+
      "游览次数："+b+"\n"+"正文："+zhengwen)

效果截图：