爬虫入门——爬取OJ题目和学校信息通知

一、爬取南阳理工学院ACM题目

爬取网站:http://www.51mxd.cn

爬虫入门——爬取OJ题目和学校信息通知_第1张图片

1、网页分析

  • 通过切换页数可发现,第n页网址为:
    http://www.51mxd.cn/problemset.php-page=n.htm
    爬虫入门——爬取OJ题目和学校信息通知_第2张图片
  • 查看网页源码
    爬虫入门——爬取OJ题目和学校信息通知_第3张图片
    在其中Ctrl + F 搜索该页的某一个题目
    爬虫入门——爬取OJ题目和学校信息通知_第4张图片
  • 打开开发者模式,在源码中找到待爬取的数据位置
    爬虫入门——爬取OJ题目和学校信息通知_第5张图片

2、内容爬取

  • 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')
# tqdm作业:以进度条方式显示爬取进度
# 爬取11页所有题目信息
for pages in tqdm(range(1, 11 + 1)):
    # get请求第pages页
    r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
    # 判断异常
    r.raise_for_status()
    # 设置编码
    r.encoding = 'utf-8'
    # 创建BeautifulSoup对象,用于解析该html页面数据
    soup = BeautifulSoup(r.text, 'lxml')
    # 获取所有td标签
    td = soup.find_all('td')
    # 存放某一个题目的所有信息
    subject = []
    # 遍历所有td
    for t in td:
        if t.string is not None:
            subject.append(t.string) # 获取td中的字符串
            if len(subject) == 5:   # 每5个为一个题目的信息
                subjects.append(subject)
                subject = []

# 存放题目
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!!!')

  • 运行及结果
    爬虫入门——爬取OJ题目和学校信息通知_第6张图片
    爬虫入门——爬取OJ题目和学校信息通知_第7张图片

二、爬取学校信息通知

爬取网站:http://news.cqjtu.edu.cn/xxtz.htm
爬虫入门——爬取OJ题目和学校信息通知_第8张图片
第一页url为http://news.cqjtu.edu.cn/xxtz.htm
第二页为http://news.cqjtu.edu.cn/xxtz/65.htm
第三页为http://news.cqjtu.edu.cn/xxtz/64.htm

1、网页分析

查找时间与标题位置
爬虫入门——爬取OJ题目和学校信息通知_第9张图片
爬虫入门——爬取OJ题目和学校信息通知_第10张图片

2、内容爬取

  • 代码
import requests
from bs4 import BeautifulSoup
import csv


# 获取每页内容
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


# 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


if __name__ == '__main__':
    main()


  • 运行及结果
    爬虫入门——爬取OJ题目和学校信息通知_第11张图片
    爬虫入门——爬取OJ题目和学校信息通知_第12张图片

三、总结

成功爬取OJ题目和学校信息通知,网络爬虫对于我们获得更多资源有很大的帮助

参考文章

Python爬虫练习(爬取OJ题目和学校信息通知)

你可能感兴趣的:(爬虫,python)