【Educoder作业】※网页抓取及信息提取

【Educoder作业】※网页抓取及信息提取

简易小爬虫？
偷偷告诉各位，前面题的答案都在后一道题里，所以其实我们只需要做第四题

T1 数据获取—分数线目录页

需要注意的是，$webpage.read()$出来并不是字符串，而是一个类文件，所以用$decode$将它转换类型，转成$utf-8$就变成字符串了，我们就可以操作了。

# -*- coding: utf-8 -*-
import urllib.request as req
import os
import hashlib
# 国防科技大学本科招生信息网中录取分数目录页URL：
url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html'
def step1():
# 请按下面的注释提示添加代码，完成相应功能
#********** Begin *********#
# 将网页内容保存到webdata
    webpage = req.urlopen(url)
    webdata = webpage.read()
    webdata = webdata.decode('utf-8')
#********** End **********#
    outfile = open("nudt.txt", 'w')  # 按二进制写方式打开文件
    outfile.write(webdata)  # 将网页数据写入文件
    outfile.close()

T2 数据分析—提取历年分数线数据页链接

这个题的处理，在$T3$中给出的方法是硬查，我就用了一个$while$循环来找起点，其余没有区别。

# -*- coding: utf-8 -*-
import urllib.request as req
# 国防科技大学本科招生信息网中录取分数目录页URL：
url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html' 
webpage = req.urlopen(url)  # 按照类文件的方式打开网页
webdata = webpage.read()       # 一次性读取网页的所有数据
webdata = webdata.decode('utf-8')  # 将byte类型的data解码为字符串
def step2():
# 建立空列表urls，来保存子网页的url
    urls = []
# 请按下面的注释提示添加代码，完成相应功能
#********** Begin *********#
# 从data中提取2012到2016每一年分数线子网站地址添加到urls列表中
    pre = 'http://www.gotonudt.cn/'
    Gfkd = '国防科技大学'
    for i in range(2012, 2017) :
        mdl = Gfkd + str(i)
        idx = webdata.find(mdl)
        while webdata[idx : idx + 4] != 'href' :
            #print(idx)
            idx -= 1
        urls.append(pre + webdata[idx + 7 : idx + 47])
#********** End **********#
    return urls

T3 数据获取—获取历年分数线数据网页

这个题可以理解成$T1$和$T2$的结合，没有额外操作。

import urllib.request as req
# 国防科技大学本科招生信息网中录取分数目录页URL：
url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html' 
webpage = req.urlopen(url)  # 按照类文件的方式打开网页
webdata = webpage.read()       # 一次性读取网页的所有数据
webdata = webdata.decode('utf-8')  # 将byte类型的data解码为字符串
def step3():
    for year in range(2014, 2017):
        substr='国防科技大学'+str(year)+'年录取分数统计'
        index = webdata.find(substr)
        href = webdata[index - 80:index - 39]  # 根据单个特征串提取url子串
        href = 'http://www.gotonudt.cn'+href  # 获得完整域名
# 请按下面的注释提示添加代码，完成相应功能
#********** Begin *********#
# 获取每一年分数线子网站网页并保存到content
        sonweb = req.urlopen(href)
        content = sonweb.read()
        content = content.decode('utf-8')
#********** End **********#
        outfile = open(str(year)+"年录取分数网页.txt", 'w')  # 按二进制写方式打开文件
        outfile.write(content)  # 将网页数据写入文件
        outfile.close()

T4 数据分析—提取历年分数线的数据

来了，这个作业唯一想考你的题。
首先，本题介绍了正则表达式，难以理解的话可以多看几遍。
剩下的就是简单地列表操作，$append$和访问而已。
关键有一个去空格，$html$空格是nbsp，全角和半角用输入法打出来即可。

# -*- coding: utf-8 -*-
import urllib.request as req
import re
# 国防科技大学本科招生信息网中录取分数目录页URL：
url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html' 
webpage = req.urlopen(url)      # 根据超链访问链接的网页
webdata= webpage.read()           # 读取超链网页数据
webdata = webdata.decode('utf-8')     # byte类型解码为字符串
def step4():
    #获取14-16年录取分数网页
    for year in range(2014, 2017):
        datalist = []
        substr='国防科技大学'+str(year)+'年录取分数统计'
        index=webdata.find(substr)
        href=webdata[ index-80 : index-39 ]
        href='http://www.gotonudt.cn'+href
        webpage=req.urlopen(href)
        content=webpage.read().decode('utf-8')
# 请按下面的注释提示添加代码，完成相应功能，若要查看详细html代码，可在浏览器中打开url，查看页面源代码。
#********** Begin *********#
# 1.获取网页中的第一个表格中所有内容：
        tables = re.findall(r'(.*?)', content, re.S)
        table = tables[0]
# 2.按tr标签对获取表格中所有行，保存在列表 data_row中：
        rows = re.findall(r'(.*?)', table, re.S)
# 3.迭代rows中的所有元素，获取每一行的td标签内的数据，对数据进行清洗，将清洗后的数据组成 data_row列表，将每一个 data_row添加到datalist列表：
        for row in rows :
            datas = re.findall(r'(.*?)', row, re.S)
            datarow = []
            for i in datas :
                Ridx = i.find(r'')
                Lidx = i.rfind(r'>', 0, Ridx)
                mdl = i[Lidx + 1 : Ridx]
                mdl = mdl.strip()
                mdl = mdl.replace(' ', '')
                mdl = mdl.replace('　', '')
                mdl = mdl.replace(' ', '')
                datarow.append(mdl)
            datalist.append(datarow)
#********** End **********#
        outfile=open(str(year)+'年out.txt','w')
        for rows in datalist:
            for cell in rows:
                outfile.write(cell+'\t')
            outfile.write('\n')
        outfile.close()