爬虫原理作业

1.爬虫原理:

向网站发起请求，获取资源后分析并提取有用数据的程序；

从技术层面来说就是通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用。

2.爬虫开发过程：

（1）、浏览器工作原理：

浏览器工作原理的实质就是实现http协议的通讯，具体过程如下：

连接服务器通过一个ServerSocket类对象对8000端口进行监听，监听到之后建立连接，打开一个socket虚拟文件。

请求创建与建立socket连接相关的流对象后，浏览器获取请求，为GET请求，则从请求信息中获取所访问的HTML文件名，向服务器发送请求。

应答服务收到请求后，搜索相关目录文件，若不存在，返回错误信息。若存在，则想html文件，进行加HTTP头等处理后响应给浏览器，浏览器解析html文件，若其中还包含图片，视频等请求，则浏览器再次访问web服务器，异常获取图片视频等，并对其进行组装显示出来。

（2）、使用 requests 库抓取网站数据：

（3）、了解网页，写一个简单的HTML代码：

<!DOCTYPE html>
<html>
    <head>
        <title>这个是标题</title>
    </head>
    <body>
        <h1 class="title-article">这是一个一个简单的HTML
            <p>Hello World！</p>
        </h1>
        <h2>这是一个h2</h2>
        <h3>这是一个h3</h3>
        <h4>这是一个h4</h4>
        <h5>这是一个h5
            <p id="title">Hello World！</p>
            <p>Hello World！</p>
            <h6>这是一个h6</h6>
            <p>Hello World！</p>
        </h5>
    </body>
</html>

（4）、使用 Beautiful Soup 解析网页：

输出该网页中所有的a标签。

找出类名为search-input的标签。

找出id名为menu的标签。

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'