作业来源: "https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2851" **

1.简述爬虫原理

通用爬虫

即(搜索引擎)，通过各站点主动提交域名等信息，或与DNS服务商合作，爬取大部分站点信息

聚焦爬虫

通过模拟用户(即客户端浏览器)访问服务器的行为，从而达到欺骗服务器，获取数据。

2.理解（聚焦）爬虫开发过程

  1. 发起请求

    向目标服务器发送一个伪造的请求报文

  2. 获取响应

    得到服务器响应的数据

  3. 解析内容

    将得到的数据按一定方式解析

  4. 保存数据

    将解析后的数据收录入文本文件或数据库

    浏览器工作原理:

    向服务端发送请求报文，收到响应报文后解析其中数据，缓存部分数据。

    抓取网站

    使用第三方库requests

    url = "http://news.gzcc.cn/html/xiaoyuanxinwen";
    ​
    def use_requests(url):
        '''
            使用到了第三方库requests获取响应
        '''
        response = requests.get(url);
        response.encoding = "utf-8";
        return response;

    运行结果

使用python自带库 urllib

def use_urllib(url):
    '''
            使用到了自带urllib获取响应
    '''
    response = request.urlopen(url);
    return response;
​

一个简单的html

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>这是一个简单的网页</title>
    <!--简单的样式定义-->
    <style>
        .class1 {
            background: green;
        }
        .ckass2 {
            background: yellow;
        }
    </style>
</head>
<body>
    <div class="class1">
        <strong id="strong">这是一个粗体标签</strong><br/>
        <b id="b">这依旧是一个粗体标签</b><br/>
        <big id="big">这貌似也是一个粗体标签</big><br/>
    </div>
    <div class="ckass2">
        <del id="del">这是一个删除线</del><br/>
        <s id="s">这也是一个删除线</s><br/>
        <strike id="strike">这同样是一个删除线</strike><br/>
    </div>
</body>
</html>

使用BeautifulSoup解析网页

from bs4 import BeautifulSoup
​
with open(r'simple.html','r',encoding='utf-8') as f:
    text = f.read()
dom_tree = BeautifulSoup(text, 'html.parser');
​
from_label = dom_tree.select('strong')[0].text;
from_class = dom_tree.select('.class1')[0].text;
from_id = dom_tree.select('#strong')[0].text;
​
print(from_label, from_class, from_id);

提取新闻

    dom_tree = BeautifulSoup(use_requests("http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html").text, 
                             'html.parser');
    title_from_class = dom_tree.select(".show-title")[0].text;
    print(title_from_class);
​
    infos_from_class = dom_tree.select(".show-info")[0].text;
    list = infos_from_class.split()[0:-1];
    for i in list:
        print(i);

python学习之爬虫初体验的更多相关文章

  1. appium+夜神模拟器+python安卓app爬虫初体验

    环境搭建:Windows 7 64bit jdk包:jdk-8u171-windows-x64.exe(http://www.oracle.com/technetwork/java/javase/do ...

  2. Node.js 网页瘸腿爬虫初体验

    延续上一篇,想把自己博客的文档标题利用Node.js的request全提取出来,于是有了下面的初哥爬虫,水平有限,这只爬虫目前还有点瘸腿,请看官你指正了. // 内置http模块,提供了http服务器 ...

  3. 第三次随笔--安装虚拟机及学习linux系统初体验

    第三次随笔--安装虚拟机及学习linux系统初体验 ·学习基于VirtualBox虚拟机安装Ubuntu图文教程在自己笔记本上安装Linux操作系统 首先按照老师的提示步骤进行VirtualBox虚拟 ...

  4. Python学习网络爬虫--转

    原文地址:https://github.com/lining0806/PythonSpiderNotes Python学习网络爬虫主要分3个大的版块:抓取,分析,存储 另外,比较常用的爬虫框架Scra ...

  5. 【Go 入门学习】第一篇关于 Go 的博客--Go 爬虫初体验

    一.写在前面 其实早就该写这一篇博客了,为什么一直没有写呢?还不是因为忙不过来(实际上只是因为太懒了).不过好了,现在终于要开始写这一篇博客了.在看这篇博客之前,可能需要你对 Go 这门语言有些基本的 ...

  6. 【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

    一.写在前面 之前写的爬虫都是单机爬虫,还没有尝试过分布式爬虫,这次就是一个分布式爬虫的初体验.所谓分布式爬虫,就是要用多台电脑同时爬取数据,相比于单机爬虫,分布式爬虫的爬取速度更快,也能更好地应对I ...

  7. 【Python3爬虫】爬取美女图新姿势--Redis分布式爬虫初体验

    一.写在前面 之前写的爬虫都是单机爬虫,还没有尝试过分布式爬虫,这次就是一个分布式爬虫的初体验.所谓分布式爬虫,就是要用多台电脑同时爬取数据,相比于单机爬虫,分布式爬虫的爬取速度更快,也能更好地应对I ...

  8. 算法学习：并行化初体验_JAVA实现并行化归并算法

    这个系列包括算法导论学习过程的记录. 最初学习归并算法,对不会使其具体跑在不同的核上报有深深地怨念,刚好算倒重温了这个算法,闲来无事,利用java的thread来体验一下并行归并算法.理论上开的thr ...

  9. Spring Boot 学习笔记1——初体验之3分钟启动你的Web应用[z]

    前言 早在去年就简单的使用了一下Spring Boot,当时就被其便捷的功能所震惊.但是那是也没有深入的研究,随着其在业界被应用的越来越广泛,因此决定好好地深入学习一下,将自己的学习心得在此记录,本文 ...

随机推荐

  1. (95)Wangdao.com_第二十八天_进度事件

    进度事件 进度事件 用来描述资源加载的进度, 主要由 AJAX 请求.<img>.<audio>.<video>.<style>.<link> ...

  2. [LeetCode] Insert into a Cyclic Sorted List 在循环有序的链表中插入结点

    Given a node from a cyclic linked list which is sorted in ascending order, write a function to inser ...

  3. Linux下卸载Oracle 11g

    第一种方法: 使用oracle自带的runInstaller 卸载 [oracle@VM_0_14_centos deinstall]$ cd $ORACLE_HOME [oracle@VM_0_14 ...

  4. EF Core HasQueryFilter 的小坑

    这是今天在实际项目中遇到的一个问题,Entity Framework Core 2.2 生成了下面的 SQL 语句,INNER JOIN 部分丑陋的 SQL 语句让人无法忍受. SELECT TOP( ...

  5. Linux下查找某一文件常用的方式

    当我们需要在ubuntu中找到之前的某一个文件,该用什么方式呢?用以下命令你就可以快速定位: find / -name "pycharm.sh" 用find查找这个命令,确定查找范 ...

  6. linux03:系统常用的命令

    1,蜗牛,硬件-内核-接口API(系统调用接口)-程序或者服务,用户不能直接和硬件对话,所以需要一个翻译器,这个翻译器就是shell.美国盾牌 2,shell是一个翻译官,bash是所有翻译官里面干的 ...

  7. nginx break-circus

    upstream : read-timeout,connection-timeout,分级别 500ms,1S,100S,长链接 ---颗粒度[每个服务api health-check]--- --- ...

  8. [daily] 不让NetworkManger自动接管网络设备

    一  场景描述 有一个dpdk程序,在运行时使用了rte kni. 它启动的时候,会自动给系统增加一个网卡设备,停止运行的时候又会把它去掉.像这样: [root@T9 gen-py]# ip a : ...

  9. photoshop 修改pdf文件并保存为pdf

    1.CTRL + O   打开要编辑的pdf文件 按住shift 选中每一页,点击确定. pdf文档每一页以一个psd文件显示在工作区, 分别进行修改, 2.批量修改同一个元素(比如加个图标) 在一页 ...

  10. [INS-06006] Passwordless SSH connectivity not set up between the following node(s)

    解决方法1 参考:11.2.0.4 runInstaller: [INS-06006] Passwordless SSH connectivity not set up between the fol ...