前言
对这篇博客的帮助很大的学习资料:
1.网易云课堂Python网络爬虫实战里面的视频很有用,建议认真学一下。
2.博主kelvinmao的博客python网络爬虫学习(五) 模拟登陆北邮信息门户并爬取信息.让我减少了登陆验证的许多繁琐的事情,但也不知对我的能力提升是好是坏?
一、导入相关库
import requests
import http.cookiejar as cookielib
from bs4 import BeautifulSoup as bs
import re
import pandas as pd
import os
import datetime
today = datetime.date.today().isoformat()#日期格式 2019-07-05
#在桌面建立一个文件夹用于储存文件
folder_path = 'C:/Users/john/OneDrive/桌面/' + today +"/"
if not os.path.exists(folder_path):
os.makedirs(folder_path)
二、模拟登录
分析提交的表单
1.username#学号
2.password#密码
3.lt #这个是webflow发放的流水号
4.execution#细心即可发现,是一个不变的值
5._eventId:#也是一个不变的值
6.rmShown#同是一个不变的值
ps:关于lt:按我的理解解释一下:打开网页(即GET请求)时,会有一个流水号,我们可以在网页源代码中找到它。现在又出现一个问题,第二次POST请求(携带表单数据)时,lt就会变化,如何解决?答:可以使用requests的session方法来保持cookie,lt等参数不变。(相当于还是第一次的请求,不过是携带了数据)
#模拟一个浏览器头
header={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:47.0) Gecko/20100101 Firefox/47.0'
}
#setting cookie
s=requests.Session()
s.cookies=cookielib.CookieJar()
r=s.get('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',headers=header)
dic=getLt(r.text)
def getLt(str):
lt=bs(str,'html.parser')
dic={}
for inp in lt.form.find_all('input'):
if(inp.get('name'))!=None:
dic[inp.get('name')]=inp.get('value')
print(dic)
return dic
postdata={
'username':'######',#此处为你的学号
'password':'######',#你的密码
'lt':dic['lt'],
'execution':'e1s1',
'_eventId':'submit',
'rmShown':'1'
}
二、爬取信息
1.登录
#携带登陆数据,以post方式登录,
response=s.post('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',data=postdata,headers=header)
#用get方式访问“校内通知”的页面
res=s.get('http://my.bupt.edu.cn/index.portal?.pn=p1778',headers=header)
#用beautifulsoup解析html
soup=bs(res.text,'html.parser')
2.查找目标url
如上图,a标签的href加上前缀就是超链接目标的URL,是我需要的信息,但是发现这个a标签既没有id,也没有class,所以使用re.compile()函数,发现每个href的前半部分都是一样的,故使字符串“detach"来进行匹配
url=[]
for j in soup.find_all(href=re.compile("detach")):
url.append('http://my.bupt.edu.cn/'+j.get('href'))
3.查找通知发布的日期。
日期的class为time,故代码如下
date=[]
for j in soup.find_all(class_='time'):
date.append(j.string)
4.爬取内文信息
①标题的class=’.text-center’,使用soup.select()函数
②具体内容的class='singleinfo’,里面的全部的p标签的内容需要合并
③如果有文件,需要下载下来,文件的url处理方法和二、2一样,采用re.compile()函数;下载时使用open(),参数‘wb’(以二进制格式打开一个文件只用于写入。如果该文件已存在则打开文件,并从开头开始编辑,即原有内容会被删除。如果该文件不存在,创建新文件。)
此函数功能:传入url,下载文件,返回一个dict,包含title和article。
def getNewsDetail(newsurl):
result={}
res=s.get(newsurl,headers=header)
res.encoding='utf-8'
soup=bs(res.text,'html.parser')
result['Title']=soup.select('.text-center')[0].text
article=[]
for p in soup.select('.singleinfo p'):
article.append(p.text.strip())
result['article']=article[0]
downloadurl=[]
filename=[]
Docurl=soup.find_all(href=re.compile("attachment"))
for k in Docurl:
downloadurl.append('http://my.bupt.edu.cn/'+k.get('href'))
filename.append(k.string)
if filename:
for k in range(0,len(filename)):
download=s.get(downloadurl[k],headers=header)
with open(folder_path+filename[k],"wb") as f:
f.write(download.content)
f.close()
return result
四、储存数据
如果日期为今天,就调用函数getNewsDetail()然后存入news_totol[],最后使用pandas的dataframe()和to_excel(),保存文件。
news_total=[]
for i in range(0,29):
if date[i]!=today+' ':
continue
newsary=getNewsDetail(url[i])
news_total.append(newsary)
df=pd.DataFrame(news_total)
df.to_excel(folder_path+'news.xlsx')
五、整体代码
# -*- coding: utf-8 -*-
"""
Created on Fri Jul 5 16:49:28 2019
@author: byrwyj
"""
import requests
import http.cookiejar as cookielib
from bs4 import BeautifulSoup as bs
import re
import pandas as pd
import os
import datetime
today = datetime.date.today().isoformat()
folder_path = 'C:/Users/john/OneDrive/桌面/' + today +"/"
if not os.path.exists(folder_path):
os.makedirs(folder_path)
def getLt(str):
lt=bs(str,'html.parser')
dic={}
for inp in lt.form.find_all('input'):
if(inp.get('name'))!=None:
dic[inp.get('name')]=inp.get('value')
return dic
header={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
#setting cookie
s=requests.Session()
s.cookies=cookielib.CookieJar()
r=s.get('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',headers=header)
dic=getLt(r.text)
postdata={
'username':'######',#此处为你的学号
'password':'######',#你的密码
'lt':dic['lt'],
'execution':'e1s1',
'_eventId':'submit',
'rmShown':'1'
}
def getNewsDetail(newsurl):
result={}
res=s.get(newsurl,headers=header)
res.encoding='utf-8'
soup=bs(res.text,'html.parser')
result['Title']=soup.select('.text-center')[0].text
article=[]
for p in soup.select('.singleinfo p'):
article.append(p.text.strip())
result['article']=article[0]
downloadurl=[]
filename=[]
Docurl=soup.find_all(href=re.compile("attachment"))
for k in Docurl:
downloadurl.append('http://my.bupt.edu.cn/'+k.get('href'))
filename.append(k.string)
if filename:
for k in range(0,len(filename)):
download=s.get(downloadurl[k],headers=header)
with open(folder_path+filename[k],"wb") as f:
f.write(download.content)
f.close()
return result
response=s.post('https://auth.bupt.edu.cn/authserver/login?service=http%3A%2F%2Fmy.bupt.edu.cn%2Findex.portal',data=postdata,headers=header)
res=s.get('http://my.bupt.edu.cn/index.portal?.pn=p1778',headers=header)
soup=bs(res.text,'html.parser')
news_total=[]
date=[]
url=[]
for j in soup.find_all(href=re.compile("detach")):
url.append('http://my.bupt.edu.cn/'+j.get('href'))
for j in soup.find_all(class_='time'):
date.append(j.string)
for i in range(0,29):
if date[i]!=today+' ':
continue
newsary=getNewsDetail(url[i])
news_total.append(newsary)
df=pd.DataFrame(news_total)
df.to_excel(folder_path+'news.xlsx')
六、这期间的一些坑
1.看教学视频使用2倍速,还不听声音,结果大的框架没学会,又得回去看?
2.被正则表达式弄得头晕,后来发现又可以不用它,正则表达式真是得细心学,一点一点写,不能急。
3.到最后的时候被文件路径的/还是\给弄晕了,导致文件怎么也删除不掉,提示路径错误。重启、压缩后删除、文件粉碎器都试过了,仍是不行。这狗皮膏药真是烦人,最终还是被解决了?。①.打开记事本输入
DEL /F /A /Q \?%1
RD /S /Q \?%1
②.把记事本另存为del.bat
③.把要删除文件用鼠标拖入del.bat,删除成功!
DEL /F /A /Q \?%1
RD /S /Q \?%1
全句意思是:强制删除系统文件夹下所有的格式为tmp的文件(哪怕文件是只读的),并且在删除时不用向用户询问是否继续或终止!
del 删除命令。
/F 强制删除只读文件。
/S 从所有子目录删除指定文件。
/Q 安静模式。删除全局通配符时,不要求确认。
/A 根据属性选择要删除的文件。
/S 除目录本身外,还将删除指定目录下的所有子目录和
文件。用于删除目录树。
/Q 安静模式,加 /S 时,删除目录树结构不再要求确认
\?%1 表示是此文件自己
七、结束语
这篇代码肯定有许多不完备的地方,但我写的少,也改进不了什么。还是自己太菜?。闲暇的时间才是自己的,才能做一些事情,这篇文章花了我两天时间,挺好,希望自己能学到更多的知识。