网络协议抓包分析与爬虫入门

一、Wireshark抓取疯狂聊天数据包

1.疯狂聊天
进行操作前需要确定将防火墙全部关闭

然后只保留一个网络连接

如图所示，只保留了一个WLAN连接，进行疯狂聊天的用户要确保网络连接的是同一个，打开程序，随便输入一个昵称，然后加入一个房间

然后就可以一起聊天了

2.wireshark抓包
此时打开wireshark
此时再发送一条信息，我们在wireshark找到destination为255.255.255.255的，可以看到协议为UDP

点开查看详细信息就能看到自己发送的聊天信息

查看中英文是怎么编译的，接受一条中文信息，点开查看它


此处使用了utf-8转换的数据
经过测试，英文跟数字一样，是直接发送的

二、爬虫入门

1.爬虫
网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，网络爬虫的大致步骤为：

①发送请求
爬虫的第一个步骤就是对起始 URL 发送请求，以获取其返回的响应，值得注意的是，发送请求实质上是指发送请求报文的过程请求报文 包括以下四个方面：请求行、请求头、空行和请求体

②获取响应
爬虫的第二个步骤就是获取特定 URL 返回的响应，以提取包含在其中的数据，响应其实是指完整响应报文，它包括四个部分：响应行、响应头、空行和响应体
③解析网页
解析网页实质上需要完成两件事情，一是提取网页上的链接，二是提取网页上的资源
提取链接实质上是指获取存在于待解析网页上的其他网页的链接，网络爬虫需要给这些链接发送请求，如此循环，直至把特定网站全部抓取完毕为止，然后就可以提取资源
2.编程完成对南阳理工学院ACM题目网站 http://www.51mxd.cn/ 练习题目数据的抓取和保存

import requests# 导入网页请求库
from bs4 import BeautifulSoup# 导入网页解析库
import csv
from tqdm import tqdm

# 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'

# 表头
csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']

# 题目数据
subjects = []

# 爬取题目
print('题目信息爬取中：\n')
for pages in tqdm(range(1, 11 + 1)):
    # 传入URL
    r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
 
    r.raise_for_status()

    r.encoding = 'utf-8'
      # 解析URL
    soup = BeautifulSoup(r.text, 'html5lib')
     #查找爬取与td相关所有内容
    td = soup.find_all('td')

    subject = []

    for t in td:
        if t.string is not None:
            subject.append(t.string)
            if len(subject) == 5:
                subjects.append(subject)
                subject = []

# 存放题目
with open('crawler.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！！！')

打开上传的crawler，将其下载，然后打开

3.将重庆交通大学新闻网站中近几年所有的信息通知（http://news.cqjtu.edu.cn/xxtz.htm） 的发布日期和标题全部爬取下来，并写到CSV电子表格中
先打开网站http://news.cqjtu.edu.cn/xxtz.htm，右击想知道的信息

这里就能看到需要爬取的信息

# -*- coding: utf-8 -*-
"""
Created on Wed Nov 17 14:39:03 2021

@author: 86199
"""
import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm
import urllib.request, urllib.error  # 制定URL 获取网页数据

# 所有新闻
subjects = []

# 模拟浏览器访问
Headers = {  # 模拟浏览器头部信息
    "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/95.0.1020.53"
}

# 表头
csvHeaders = ['时间', '标题']


print('信息爬取中：\n')
for pages in tqdm(range(1, 65 + 1)):
    # 发出请求
    request = urllib.request.Request(f'http://news.cqjtu.edu.cn/xxtz/{pages}.htm', headers=Headers)
    html = ""
    # 如果请求成功则获取网页内容
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    # 解析网页
    soup = BeautifulSoup(html, 'html5lib')

    # 存放一条新闻
    subject = []
    # 查找所有li标签
    li = soup.find_all('li')
    for l in li:
        # 查找满足条件的div标签
        if l.find_all('div',class_="time") is not None and l.find_all('div',class_="right-title") is not None:
            # 时间
            for time in l.find_all('div',class_="time"):
                subject.append(time.string)
            # 标题
            for title in l.find_all('div',class_="right-title"):
                for t in title.find_all('a',target="_blank"):
                    subject.append(t.string)
            if subject:
                print(subject)
                subjects.append(subject)
        subject = []

# 保存数据
with open('cqjtu.csv', 'w', newline='',encoding='utf-8') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n信息爬取完成！！！')

开始抓取

同理下载并打开

此时就能看到抓取的数据了