作业要求源于：
1. 简单说明爬虫原理
互联网就像一张大的蜘蛛网，数据便是存放在蜘蛛网的各个节点，爬虫就像一只蜘蛛，沿着网络抓去自己需要的数据。爬虫：向网站发起请求，获取资源后进行分析并提取有用的数据的程序
2. 理解爬虫开发过程
1).简要说明浏览器工作原理
在浏览器的地址栏输入网址并按回车后，浏览器就会向服务器发送http请求，服务器接收到请求后进行业务处理并向浏览器返回请求的资源，浏览器将获取到的返回数据进行解析、渲染，形成网页。
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 requestsimport bs4from bs4 import BeautifulSoupurl = "http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html"res = requests.get(url)res.encoding = 'utf-8'soupn = BeautifulSoup(res.text,'html.parser')print(soupn)
3).了解网页
写一个简单的html文件，包含多个标签，类，id
html = ' \ \ \Hello
\ This is link1\ This is link2\ \ '
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
from bs4 import BeautifulSouphtml = ' \ \ \Hello
\ This is link1\ This is link2\ \ 'soups = BeautifulSoup(html, 'html.parser')a = soups.a # 获取文档中的第一个与‘a’同名的标签,返回类型为Tagh1 = soups.select('h1') # 获取标签名为‘h1’的标签的内容,返回类型为listlink_class = soups.select('.link') # 获取类名为‘link’的标签的内容,返回类型为listlink_id = soups.select('#link2') # 获取id为‘link2’的标签的内容,返回类型为listprint(a)print(h1)print(link_class)print(link_id)
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
提取的校园新闻url = '
发布时间为datetime类型，点击次数为数值型，其它是字符串类型。
代码：
import requestsimport bs4from bs4 import BeautifulSoupurl = "http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0329/11095.html"res = requests.get(url)res.encoding = 'utf-8'soupn = BeautifulSoup(res.text,'html.parser')print("内容："+soupn.select('.show-content')[0].text)print(soupn.title)#print(soupn.select(".show-info")[0].text.split(':')[1])info = soupn.select(".show-info")[0].text.split()#print(info)xinDate = info[0].split(':')[1]print(xinDate)xinTime = info[1]print(xinTime)newdt = xinDate + ' '+ xinTimeprint(newdt)from datetime import datetimenow = datetime.now()#now = now.strptime('%Y{y}%m{m}%d{d} %H{h}%M{f}%S{s}').__format__(y='年',m='月',d='日',h='时',f='分',s='秒')now = now.strftime('%Y{y}%m{m}%d{d} %H{h}%M{f}%S{s}').format(y='年',m='月',d='日',h='时',f='分',s='秒')print(now)clickurl = "http://oa.gzcc.cn/api.php?op=count&id=11095&modelid=80"click = requests.get(clickurl).text.split("'")[3]print(click) 
