目录
一、使用wireshark抓取聊天信息
二、爬虫爬取学校通知信息
1.爬取南阳理工学院ACM题目网站
2、爬取学校官网的信息通知
三、总结
四、参考文献
1.前序步骤
①关闭防火墙
②禁用除WLAN以外的网络连接
2.打开疯狂聊天
crazychat.exe
2.创建房间
3.聊天内容
4.打开wireshark,对WLAN进行抓包
5.使用筛选器将目的地址设为255.255.255.255(ip.addr == 255.255.255.255)
6.查看英文字符的显示和明文显示
利用pip下载库
pip install requests
pip install beautifulsoup4
pip install html5lib
1.打开网页http://www.51mxd.cn/problemset.php-page=1.htm,查看页面源代码(点击鼠标右键,选择页面源代码)
2.代码部分
#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
# 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']
# 写入文件
with open('E:/homework/1.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!!!')
结果图
1.分析网页源代码http://news.cqjtu.edu.cn/xxtz.htm,查看全部通知通知发出的时间和通知的标题
2.代码
#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
# 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=[]
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
#爬取页面
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=[]
#写入文件
def write_csv(cqjtu_info):
with open('E:/homework/2.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)
结果图
通过这次的实验,我了解到了如何爬取静态网页,可以通过查看页面源代码来获取标签。
Python:BeautifulSoup之soup.find_all()用法_小汉堡Yang的博客-CSDN博客
(60条消息) Python3 网络爬虫——爬取简单的网页_Mr.Yu的博客-CSDN博客
练习场 - ACM在线评测系统