🐾 校园资讯小站

<a href="链接地址">链接文字</a> 是「超链接」标签： href 属性存的是跳转地址，标签中间的文字是显示在页面上的内容。 爬虫要提取新闻列表，就是在源代码里找到这些 <a> 标签， 分别取出它们的 href（链接）和文字（标题）。

# 用 BeautifulSoup 提取所有新闻标题和链接
for a in soup.select('a.c75870'):
    print(a.text, '->', a.get('href'))

🔎 请到源代码里找一找：这里的 a 标签有个共同的 class 叫 c75870， 它就是爬虫用来"锁定"新闻链接的标记。

<ul>（无序列表）里面套着一堆 <li>（列表项）。 这个列表有个 id="colors"，id 在页面里是唯一的， 所以爬虫常用 id 来精确定位某个元素。

# 用 CSS 选择器提取 #colors 下所有 li 的文本
items = soup.select('#colors li')
for li in items:
    print(li.get_text())

🔎 想一想：ul 和 li 是什么关系？谁在谁里面？

表格由 <table> 包裹，每一行是 <tr>， 行里的每个单元格是 <td>（表头用 <th>）。 爬虫提取表格，就是先找到所有 tr，再在每一行里取所有 td。

# 提取表格每一行的数据
for tr in soup.select('table tr'):
    cells = [td.get_text() for td in tr.select('td')]
    if cells:
        print(cells)

🔎 观察源代码：th 和 td 有什么不同？

图片标签 <img> 里，真正存放图片网址的属性可能是 src， 也可能是 data-src（懒加载时图片地址常放在这里）。 爬虫要根据源代码的实际结构来写正则表达式——先观察，再写规则。

import re
pattern = 'data-type="png" data-src="(.+?)"'
urls = re.findall(pattern, html)

🔎 对比一下：这个页面里 src 和 data-src 的值一样吗？ 为什么要同时写两个？

一个页面里有很多链接，但爬虫通常只关心某一部分。 常见做法是：先把所有 <a> 的 href 提出来， 再按条件筛选——比如只保留以 http 开头的绝对地址。

links = re.findall(r'
            🔎 想一想：news/news1.html 这种不以 http 开头的叫什么？
            叫「相对地址」，需要和当前网址拼起来才能用（试试 urljoin）。