一、网络爬虫基本介绍

??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、爬取南阳理工OJ题目

爬取目标网址：http://www.51mxd.cn/problemset.php-page=1.htm
爬取任务：爬取每道题的题号，难度，标题，通过率，通过数/总提交数

1. 网页分析

打开待爬取的网页

发现改变页数仅需改变网址http://www.51mxd.cn/problemset.php-page=n.htm中的变量n
查看页面源码
在源码中找到待爬取的数据位置

打开开发者工具，点击一个题目，可在Element中显示。
分析完成后，开始编写代码。

2. 内容爬取

编写代码test.py

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
查看爬取文件

爬取成功

三、爬取重交新闻通知

爬取目标网址：http://www.51mxd.cn/problemset.php-page=1.htm
爬取任务：爬取每个新闻的发布日期 + 标题

1. 网页分析

打开待爬取的网页

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
查找时间与标题位置

2. 内容爬取

代码编写test2.py

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()