爬虫入门—网页信息爬取

• 一、网络爬虫简介
• • 1.概念
  • 2.类型
  • 3.使用范围
  • 4.合法性
  • 5.搜索策略
  • 6.基本结构
• 二、环境准备
• 三、爬取南阳理工学院ACM题目网站
• 四、爬取重庆交通大学新闻网站
• 参考

一、网络爬虫简介

1.概念

网络爬虫（又称为网页蜘蛛，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。另外一些不常使用的名字还有ipipgo、自动索引、模拟程序或者蠕虫。

2.类型

网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫（General Purpose Web Crawler）、聚焦网络爬虫（Focused Web Crawler）、增量式网络爬虫（Incremental Web Crawler）、深层网络爬虫（Deep Web Crawler）。 实际的网络爬虫系统通常是几种爬虫技术相结合实现的。

3.使用范围

• 作为搜索引擎的网页搜集器，抓取整个互联网，如谷歌，百度等。
• 作为垂直搜索引擎，抓取特定主题信息，如视频网站，招聘网站等。
• 作为测试网站前端的检测工具，用来评价网站前端代码的健壮性。

4.合法性

Robots协议：又称机器人协议或爬虫协议，该协议就搜索引擎抓取网站内容的范围作了约定，包括网站是否希望被搜索引擎抓取，哪些内容不允许被抓取，网络爬虫据此“自觉地”抓取或者不抓取该网页内容。自推出以来Robots协议已成为网站保护自有敏感数据和网民隐私的国际惯例。

5.搜索策略

网页的抓取策略可以分为深度优先、广度优先和最佳优先三种。深度优先在很多情况下会导致爬虫的陷入（trapped）问题，目前常见的是广度优先和最佳优先方法。

6.基本结构

• URL管理模块
• 下载模块
• 解析模块
• 存储模块

二、环境准备

Anaconda的安装与配置：
史上最详细的Anaconda安装教程
需要安装的包：
requests、beautifulsoup4、html5lib
指令如下：
pip install beautifulsoup4
pip install requests
pip install html5lib

三、爬取南阳理工学院ACM题目网站

南阳理工学院ACM题目网站
通过查看网页源代码可知，我们所需要的题号、标题、通过率等数据都在图TD标签内
在网站页面按F12进入开发者模式，搜索框内输入td显示有700多条相关数据

在自己需要的位置创建一个.csv文件
打开anaconda中的jupyter notebook进行编码

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, 'html.parser') # 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('F:/Anaconda3/project/1.csv（这是我的.csv文件路径）', '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！！！')

运行结果如下：

查看.csv文件内容：

四、爬取重庆交通大学新闻网站

重庆交通大学新闻网
编码如下：

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

# 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 def get_time_and_title(page_num,cqjtu_Headers):#页数，请求头 if page_num==69 : 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, 'html.parser') 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=[] def write_csv(cqjtu_info): with open('F:/Anaconda3/project/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') 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)

运行结果：

查看.csv文件

消息显示为乱码，可能是字符集的问题，换用记事本打开

信息爬取成功

参考

爬虫是什么？
爬虫-Python编程入门1