网络爬虫之入门练习

一、网络爬虫介绍

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），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。简单来说就是通过编写脚本模拟浏览器发起请求获取数据。爬虫从初始网页的URL开始, 获取初始网页上的URL，在抓取网页的过程中，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。

二、开发环境

我使用的IDE是pycharm，pycharm的导入库十分方便，可以在报错的库名处右键下载库
也可以点击file-setting-project里点击+号搜索需要的库

三、爬取南阳理工学院ACM题目网站的信息

进入待爬取页面网站 http://www.51mxd.cn/problemset.php-page=1.htm

点击鼠标右键，查看源码

网址链接中.htm前数字与有关，所以可以可以通过一个循环爬取多页代码

for pages in tqdm(range(1, 11 + 1)):

    r = requests.get(
        f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)

找到爬取数据位置后，写代码

import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm

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'

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

subjects = []

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, 'lxml')

    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 = []

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！！！')

运行后，查看爬取文件

四、爬取重庆交通大学新闻网站的信息

网站链接http://news.cqjtu.edu.cn/xxtz.htm

第二页网站http://news.cqjtu.edu.cn/xxtz.65htm
第三页网站http://news.cqjtu.edu.cn/xxtz.66htm
所以除了第一页，其他网站为http://news.cqjtu.edu.cn/xxtz.(67-n)htm

通过源码查找到时间与标题位置
编写代码

import requests
from bs4 import BeautifulSoup
import csv

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 = []
        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')
        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

def main():

    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

    with open('教务新闻.csv', 'w', newline='', encoding='utf-8') as file:
        fileWriter = csv.writer(file)
        fileWriter.writerow(['日期', '标题'])
        fileWriter.writerows(info_list_all)

if __name__ == '__main__':
    main()

运行后查看爬取文件

参考链接

https://blog.csdn.net/YangMax1/article/details/121305857?spm=1001.2014.3001.5501