网络协议抓包分析与爬虫入门

一.wireshark抓取网络数据包

1.打开程序并检测联通性

1.打开疯狂聊天软件输入呢称和房间号

2.发送一条为123的信息，可以发现已经发送成功

3.在另一台电脑上同样方式创建另一个用户，输入相同的房间号

4.输入消息“abc‘，点击发送

5.可以发现用户一已经接收到消息

2.进行抓包

1.通过分析程序源码可以看到程序通过UDP向255.255.255.255发送信息

2.此处使用用户like发送一个224334的信息

3.打开wireshark，使用ip.dst==255.255.255.255进行筛选，可以看到已经捕捉到了这条信息

3.抓取的信息分析

1.查看具体信息可以发现就是刚刚发送的信息

2.可以发现端口号为6000，通过分析源码可以得知端口号为房间号+5000，而我们的房间号为1000

3.发送英文可以直接呈现，而我们使用用户like01发送一句中文为“like帅”可以发现中文无法直接呈现而是占用3个字节，通过分析可以发现中文经过了utf-8转换，一个中文占三个字节，呈现为三个点。


总的来说，中文编码为3个字节，而西文字符只用一个。

二.爬虫入门-抓取网页信息

1.抓取南阳理工学院ACM题目网站练习题目数据

1.操作原理

1.爬虫从初始网页的URL开始,获取初始网页上的URL
2.在抓取网页的过程中，不断从当前页面上抽取新的URL放X队列
3.直到满足系统给定的停止条件

2.实践操作

1.操作代码：

import requests
from bs4 import BeautifulSoup
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)):

    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')

    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('NYOJ_Subjects.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！！！')

2.查看结果

2.抓取本校（重庆交通大学）新闻网站中近几年所有的信息通知的发布日期和标题

1.打开重庆交通大学新闻网站：http://news.cqjtu.edu.cn/xxtz.htm.

2.键盘右键F12，查看网页源代码，找到新闻标题所在位置，也就是需要爬取的内容。


3.代码：

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_news.csv', 'w', newline='') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n信息爬取完成！！！')

4.爬取内容查看

三.总结

通过本次实验，了解到了如何使用爬虫抓取信息，并且熟悉了相关的基本操作，爬虫在很多情况下能够减少我们的工作量，避免浪费时间。同时学会抓包可以帮助我们在网络编程过程中很好的测试，可以在网络通信中抓取到任何自己需要的信息。

四.参考文献

https://blog.csdn.net/qq_47281915/article/details/121356226?spm=1001.2014.3001.5501.