Python爬虫练习

一、爬虫简介

1. 介绍

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。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

• 爬虫从初始网页的url开始, 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。

2. 软件配置

python 3.8
pip install requests
pip install beautifulsoup4

安装必备爬虫环境软件

二、爬取南阳理工OJ题目

爬取网站：http://www.51mxd.cn

1. 页面分析
   • 切换页面的时候url网址发生变动，因此切换页面时切换第n页则为n.html
     
   • 爬取数据
     根据页面数据显示可以查看到只有题号、难度、标题、通过率、存有数据，因此只需要对此四项数据进行爬取
   • 查看html代码
     F12查看网络源代码
     
     在每一个标签内都是<tr><td></td></tr>使用嵌套模式，因此可以使用爬虫进行爬取
   • 查看标签数，确定需爬虫数据
     Ctrl+F 查看<tr><td>标签数
     此页面内含有700标签，因此需要爬出去数据为700
2. 代码编写

• 导入相应的包

#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文件需要的表头及存储列表

# 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，并删选信息

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('NYOJ_Subjects.csv', 'w', newline='') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)  # 写入表头
    fileWriter.writerows(subjects)   # 写入数据

print('\n题目信息爬取完成！！！')

3. 程序运行
   

三、爬取学校信息通知

爬取网站：http://news.cqjtu.edu.cn/xxtz.htm

1. 网页分析
   • 页面跳转，查看新闻信息
     可以看到在html跳转采用 n-方式 因为为n-.html
     
   • 爬取数据
     日期+新闻题目
     
   • 查看网页代码
     标签信息存储来<ul><li></li></ul>
   • 数据条数987
     
2. 代码编写

• 导入相应的包

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

• 爬取调用数据定义

# 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=[]

• 爬取html的页面内容

def get_one_page(url):
    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'
    }
    try:
        info_list_page = []  # 一页的所有信息
        resp = requests.get(url, headers=headers)
        resp.encoding = resp.status_code
        page_text = resp.text
        soup = BeautifulSoup(page_text, 'lxml')
        li_list = soup.select('.left-list > ul > li')  # 找到所有li标签
        for li in li_list:
            divs = li.select('div')
            date = divs[0].string.strip()
            title = divs[1].a.string
            info = [date, title]
            info_list_page.append(info)
    except Exception as e:
        print('爬取' + url + '错误')
        print(e)
        return None
    else:
        resp.close()
    print('爬取' + url + '成功')
    return info_list_page

• 爬取数据并保存在文件中

# main
def main():
    # 爬取所有数据
    info_list_all = []
    base_url = 'http://news.cqjtu.edu.cn/xxtz/'
    for i in range(1, 67):
        if i == 1:
            url = 'http://news.cqjtu.edu.cn/xxtz.htm'
        else:
            url = base_url + str(67 - i) + '.htm'
        info_list_page = get_one_page(url)
        info_list_all += info_list_page
    # 存入数据
    with open('教务新闻.csv', 'w', newline='', encoding='utf-8') as file:
        fileWriter = csv.writer(file)
        fileWriter.writerow(['日期', '标题'])  # 写入表头
        fileWriter.writerows(info_list_all)  # 写入数据

3. 运行结果
   

四、总结

• 在数据解析⽅⾯，相应的库包括：lxml、beautifulsoup4、re、pyquery。
• 对于数据解析，主要是从响应页面里提取所需的数据，常⽤⽅法有：xpath路径表达式、CSS选择器、正则表达式等。
• 正则表达式主要⽤于提取非结构化的数据

五、参考

Python爬虫练习（爬取OJ题目和学校信息通知）
Jupyter notebook选择运行代码的虚拟环境
Python：BeautifulSoup之soup.find_all()用法