网页爬取综合实例

---

第1关：利用URL获取超文本文件并保存至本地

利用urllib.request模块中的方法，补全step1()函数。该函数将国防科技大学本科招生信息网中录取分数网页抓取下来，并保存在本地，具体要求：

正确使用urllib.request的相关函数获取指定url的内容；
将获取的页面内容，写入本地文件，命名为nudt.txt。
代码如下：

# -*- 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网页URL：
url = 'https://www.nudt.edu.cn/bkzs/xxgk/lqfs/index.htm'  # 录取分数网页URL


def step1():
# 请按下面的注释提示添加代码，完成相应功能
#********** Begin *********#
# 1.将网页内容保存到data
     webpage = req.urlopen(url)  
     data = webpage.read()  



# 2.将data以二进制写模式写入以学号命名的 “nudt.txt” 文件：
     outfile = open("nudt.txt", 'wb') 
     outfile.write(data) 
     outfile.close()


    
#********** End **********#

第2关：提取子链接

仔细阅读网页源代码信息，补全step2()函数。从网页中找到2021到2014年国防科技大学录取分数线统计网页的子链接url数据并提取出来，具体来说：

使用find()函数定位这五个url，并保存在列表urls中（顺序从2021-2014倒序）。
注意：提取的超链是相对地址，需要加上站点域名，拼接成完整的URL。
代码如下：

# -*- 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网页URL：
url = 'https://www.nudt.edu.cn/bkzs/xxgk/lqfs/index.htm'  # 录取分数网页URL
webpage = req.urlopen(url)  # 按照类文件的方式打开网页
data = webpage.read()       # 一次性读取网页的所有数据
data = data.decode('utf-8')  # 将byte类型的data解码为字符串（否则后面查找就要另外处理了）
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2014到2021每一年分数线子网站地址添加到urls列表中
    years = [2021,2020,2019,2018,2017,2016, 2015, 2014]
    for year in years:
        index = data.find("%s年录取分数统计（生长军官学员）" %year)
        href= data[index-134:index-97]# 根据单个特征串提取url子串
        website = 'https://www.nudt.edu.cn/bkzs/xxgk/lqfs/'
        urls.append(website+href)
# #********** End **********#
    return urls

---