1. 简单说明爬虫原理
简单来说互联网是由一个个站点和网络设备组成的大网,我们通过浏览器访问站点,站点把HTML、JS、CSS代码返回给浏览器,这些代码经过浏览器解析、渲染,将丰富多彩的网页呈现我们眼前;
2. 理解爬虫开发过程
1).简要说明浏览器工作原理;、
方式1:浏览器提交请求--->下载网页代码--->解析成页面
方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中
爬虫要做的就是方式2;
1、发起请求
使用http库向目标站点发起请求,即发送一个Request
Request包含:请求头、请求体等
Request模块缺陷:不能执行JS 和CSS 代码
2、获取响应内容
如果服务器能正常响应,则会得到一个Response
Response包含:html,json,图片,视频等
3、解析内容
解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等
解析json数据:json模块
解析二进制数据:以wb的方式写入文件
4、保存数据
数据库(MySQL,Mongdb、Redis)
文件
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
url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0322/11049.html"
res=requests.get(url)
type(res)
res.encoding='utf-8'
res.text
结果如图:
3).了解网页
写一个简单的html文件,包含多个标签,类,id
<html>
<head>
<meta charset="utf-8">
<body>
<h1 id="title">标题</h1>
<p class="time">发布时间:2018年</p>
<a href="http://www.runoob.com">进去百度看一下把</a> <br>
<label for="inputname" class="col-sm-2 control-label ">姓名</label>
<input type="text" class="form-control" id="inputname"value="huang" >
</body>
</head>
</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
#得到标签<h1,a>的元素
t=soup.select('h1')
d=soup.select('a')
#得到指定类(time)元素
b=soup.select('.time')
#得到特定id的元素
c=soup.select('inputname')
print(t,b,c,d)
结果如图:
3.提取一篇校园新闻的标题、发布时间、发布单位
url = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
#导入包
import requests
requests
import bs4
from bs4 import BeautifulSoup
bs4
#获取特定网站数据
url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'"
res=requests.get(url)
type(res)
res.encoding="utf-8"
soup1=BeautifulSoup(res.text,'html.parser')
#得到新闻标题
soup1.select('title')
#得到新闻的发布时间和单位
soup1.select('.show-info')
#遍历
for news in soup1.select('li'):
if len(news.select('.news-list-title'))>0:
t=news.select('.news-list-title')[0].text
a=news.select('a')[0]['href']
d=news.select('.news-list-info')[0].text
print(t)
结果如图:
#获得新闻标题
#得到新闻的发布时间和单位