0.可以新建一个用于练习的html文件,在浏览器中打开。
1.利用requests.get(url)获取网页页面的html文件
import requests
newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(newsurl) #返回response对象
res.encoding='utf-8'
2.利用BeautifulSoup的HTML解析器,生成结构树
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')
3.找出特定标签的html元素
soup.p #标签名,返回第一个
soup.head
soup.p.name #字符串
soup.p. attrs #字典,标签的所有属性
soup.p. contents # 列表,所有子标签
soup.p.text #字符串
soup.p.string
soup.select(‘li')
4.取得含有特定CSS属性的元素
soup.select('#p1Node')
soup.select('.news-list-title')
5.练习:
importrequestsfrom bs4 importBeautifulSoup
newsurl= 'http://localhost:63342/python/GZCC%20NEW.html?_ijt=uonevk8hlbsatfub4eqaccrdrs'res=requests.get(newsurl)
res.encoding= 'utf-8'soup= BeautifulSoup(res.text,'html.parser')
取出h1标签的文本
for h1 in soup.find_all('h1'):print(h1.text)
取出a标签的链接
for a in soup.find_all('a'):print(a.attrs.get('href'))
取出所有li标签的所有内容
for li in soup.find_all('li'):print(li.contents)
取出第2个li标签的a标签的第3个div标签的属性
print(soup.find_all('li')[0].a.find_all('div')[2].attrs)
取出一条新闻的标题、链接、发布时间、来源
print(soup.select('div .news-list-title')[1].text)#标题
print(soup.select('div .news-list-thumb')[1].parent.attrs.get('href'))#链接
print(soup.select('div .news-list-info > span')[0].text)#发布时间
print(soup.select('div .news-list-info > span')[1].text) #来源
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试