php 抓取网页源码(南阳理工学院ACM题目信息获取源码我们知道浏览器查看网页时 )

　　php 抓取网页源码(南阳理工学院ACM题目信息获取源码我们知道浏览器查看网页时

)

　　南洋理工ACM专题信息

　　

　　获取源代码

　　我们知道，浏览器在浏览网页时，首先会向服务器发送一个request请求，服务器会根据request请求做一些处理，生成一个response response返回给浏览器，这个response收录我们需要的网页（或者数据，一般是静态网站或者服务端渲染就是直接返回网页），那么我们只需要模仿浏览器向服务端发送请求下载网页，而然后等待服务器发回响应。

　　1.引入第三方库

　　import requests

from bs4 import BeautifulSoup

import csv

from tqdm import tqdm

　　2.模拟浏览器

　　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'

　　3. 爬网

　　 r = requests.get(

f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)

r.raise_for_status()

r.encoding = 'utf-8'

　　BeautifulSoup 网络分析

　　在学习了requests，了解了伪装技巧之后，终于可以爬到一些正常的web源码（html文档）了，但这距离最后也是最重要的一步——筛选还差得很远。这个过程就像在沙子里淘金一样。没有合适的筛子，你就会错过有价值的东西，或者做无用的工作来筛选出无用的。

　　淘金者观察土壤并制作筛子。对应爬虫字段就是观察html，自定义过滤器。这里其实是一个简单的抓取 td 标签

　　

　　1.初始化

　　 soup = BeautifulSoup(r.text, 'html.parser')

　　2.抓取节点

　　 td = soup.find_all('td')

subject = []

for t in td:

if t.string is not None:

subject.append(t.string)

if len(subject) == 5:

subjects.append(subject)

subject = []

　　保存文件

　　with open('NYOJ_Subjects.csv', 'w', newline='') as file:

fileWriter = csv.writer(file)

fileWriter.writerow(csvHeaders)

fileWriter.writerows(subjects)

　　完整的源代码

　　URL链接中.htm前面的数字是相关的，所以可以通过循环爬取多页代码，找到爬取数据的位置，编写代码

　　import requests

from bs4 import BeautifulSoup

import csv

from tqdm import tqdm

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'

csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']

subjects = []

for pages in tqdm(range(1, 11 + 1)):

r = requests.get(

f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)

r.raise_for_status()

r.encoding = 'utf-8'

soup = BeautifulSoup(r.text, 'html.parser')

td = soup.find_all('td')

subject = []

for t in td:

if t.string is not None:

subject.append(t.string)

if len(subject) == 5:

subjects.append(subject)

subject = []

with open('NYOJ_Subjects.csv', 'w', newline='') as file:

fileWriter = csv.writer(file)

fileWriter.writerow(csvHeaders)

fileWriter.writerows(subjects)

　　运行结果：