爬虫爬取学校通知信息（python））

一、爬虫简介

1.1 介绍

• 网络爬虫英文名叫Web Crawler或Web Spider。它是一种自动浏览网页并采集所需要信息的程序。
• 爬虫从初始网页的URL开始, 获取初始网页上的URL，在抓取网页的过程中，不断从当前页面抽取新的url放入队列。直到满足系统给定的停止条件才停止。
• 可以为搜素引擎从互联网中下载网页数据，是搜素引擎的重要组成部分。

1.2 软件配置

python3.8 + request+beautifulsoup4,还可以使用tqdm包来显示进度，如果没有可以用pip安装

二、爬取南阳理工学院ACM题目网站

• 第一步，打开网页http://www.51mxd.cn/problemset.php-page=1.htm，查看页面源代码，可以要看到我们要爬取的信息都在TD这个标签内
  
• 知道是要读取什么标签目的就明确了，接下来就是代码操作了，先是导入必要的包

#导入包
import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm#在电脑终端上显示进度，使代码可视化进度加快

• 定义访问浏览器所需的请求头和写入csv文件需要的表头以及存放题目数据的列表

# 模拟浏览器访问
Headers = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400'
# 题目数据
subjects = []
# 表头
csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']

• 定义爬取函数，爬取的是1到11页，大致过程是先用request里的raise_for_status()获取整个页面的信息，再用beautifulsoup里find_all函数来筛选我们想要的信息

for pages in tqdm(range(1, 11 + 1)):

    r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)

    r.raise_for_status()

    r.encoding = 'utf-8'

    soup = BeautifulSoup(r.text, 'html5lib')

    td = soup.find_all('td')#讲所有含TD的项提取出来
    subject = []
    for t in td:
        if t.string is not None:
            #利用string方法获取其中的内容
            subject.append(t.string)
            if len(subject) == 5:
                subjects.append(subject)
                subject = []

• 写入文件

with open('..\\source\\nylgoj.csv', 'w', newline='') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n题目信息爬取完成！！！')

• 文件里的内容

三、爬取学校官网的信息通知

• 第一步还是分析网页源代码，先打开网页http://news.cqjtu.edu.cn/xxtz.htm，这次要看的信息是全部通知通知发出的时间和通知的标题
• 时间和标题还比较好找，但由于要爬取所以的，页数也需要爬出来
• 信息所在的标签已经找到了，接下来就是爬取这些信息了，导入也是上面那些包，所以这里就是对要用的数据进行定义

# 模拟浏览器访问
cqjtu_Headers ={ 
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36 Edg/95.0.1020.44'
}
#csv的表头
cqjtu_head=["日期","标题"]
#存放内容
cqjtu_infomation=[]

• 接下来是获取页数，这个页数在一个长长的字符串里面，而且标签也没有什么特别的，只能广而泛的提取这一类的标签，会发现有很多个，这里我偷一下懒，就手动定位，定位之后就可以得到字符串，在对字符串进行操作和类型转化就可以得到int型的页数了，下面是获取页面数的函数

def get_page_number():
    r=requests.get(f"http://news.cqjtu.edu.cn/xxtz.htm",headers=cqjtu_Headers)
    r.raise_for_status()
    r.encoding="utf-8"
    page_array={
    'type':'text/javascript'
    }
    soup = BeautifulSoup(r.text, 'html5lib')
    page_num=soup.find_all('script',page_array)
    page_number=page_num[4].string#只靠标签这些定位好像不是唯一，只能手动定位了
    page_number=page_number.strip('function a204111_gopage_fun(){_simple_list_gotopage_fun(')#删掉除页数以外的其他内容
    page_number=page_number.strip(',\'a204111GOPAGE\',2)}')
    page_number=int(page_number)#转为数字
    return page_number

• 获取页面之后，就可以对页面进行爬取了，不过得注意第一页和后面的页数的网址其实不是一个规律，下面是爬取页面的函数

def get_time_and_title(page_num,cqjtu_Headers):#页数，请求头
    if page_num==66 :
        url='http://news.cqjtu.edu.cn/xxtz.htm'
    else :
        url=f'http://news.cqjtu.edu.cn/xxtz/{page_num}.htm'
    r=requests.get(url,headers=cqjtu_Headers)
    r.raise_for_status()
    r.encoding="utf-8"
    array={#根据class来选择
        'class':'time',
        }
    title_array={
     'target':'_blank'
    }
    page_array={
    'type':'text/javascript'
    }
    soup = BeautifulSoup(r.text, 'html5lib')
    time=soup.find_all('div',array)
    title=soup.find_all('a',title_array)
    temp=[]
    for i in range(0,len(time)):
        time_s=time[i].string
        time_s=time_s.strip('\n                                    ')
        time_s=time_s.strip('\n                                ')
        #清除空格
        temp.append(time_s)
        temp.append(title[i+1].string)
        cqjtu_infomation.append(temp)
        temp=[]

• 爬取了之后，可以打印出来，也可以放在文件里，我是选择放在文件里的，下面是写入文件的函数

def write_csv(cqjtu_info):
    with open('..\\source\\cqjtu.csv', 'w', newline='',encoding='utf-8') as file:
        fileWriter = csv.writer(file)
        fileWriter.writerow(cqjtu_head)
        fileWriter.writerows(cqjtu_info)
        print('爬取信息成功')

• 调用函数

page_num=get_page_number()#获得页数
for i in tqdm(range(page_num,0,-1)):
    get_time_and_title(i,cqjtu_Headers)
write_csv(cqjtu_infomation)

• 爬取结果：
  

四、总结

• 爬取静态页面还是比较简单的，主要是看自己所需的信息是在哪里的，大概步骤是分析位置 - 》利用request和beautifulsoup得到整个信息-》对获取的信息进行处理

五、参考

Python：BeautifulSoup之soup.find_all()用法
Python：删除字符串中的字符