1.利用requests.get(url)获取网页页面的html文件
|
1
2
3
4
|
import requestsnewsurl=‘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
|
1
2
|
from bs4 import BeautifulSoupsoup = BeautifulSoup(res.text,‘html.parser‘) |
3.找出特定标签的html元素
|
1
2
3
4
5
6
7
8
|
soup.p #标签名，返回第一个soup.headsoup.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.stringsoup.select(‘li‘) |
4.取得含有特定CSS属性的元素
|
1
2
|
soup.select(‘#p1Node‘)soup.select(‘.news-list-title‘) |
5.练习：
取出h1标签的文本
|
1
|
print(soup.h1.text) |
取出a标签的链接
|
1
2
|
for link in soup.select(‘a‘): print(link.get(‘href‘)) |
取出所有li标签的所有内容
|
1
2
|
for i in soup.select(‘li‘): print(i.contents[1]) |
取出一条新闻的标题、链接、发布时间、来源
|
1
2
3
4
|
print(soup.select(‘.news-list-title‘)[0].text)print(soup.select(‘li‘)[0].a.attrs[‘href‘])print(soup.select(‘.news-list-info‘)[0].contents[0].text)print(soup.select(‘.news-list-info‘)[0].contents[1].text) |