网络爬虫

第一部分：

 请分析作业页面，爬取已提交作业信息，并生成已提交作业名单，保存为英文逗号分隔的csv文件。文件名为：hwlist.csv 。

 

文件内容范例如下形式：

 

学号,姓名,作业标题,作业提交时间,作业URL

20194010101,张三,羊车门作业,2018-11-13 23:47:36.8,http://www.cnblogs.com/sninius/p/12345678.html

20194010102,李四,羊车门,2018-11-14 9:38:27.03,http://www.cnblogs.com/sninius/p/87654321.html

 

*注1：如制作定期爬去作业爬虫，请注意爬取频次不易太过密集；

*注2：本部分作业用到部分库如下所示：

（1）requests —— 第3方库

（2）json    —— 内置库

源代码如下：

import requests
import json
 
def getHTMLText(url):
    try:
       r =requests.get(url,timeout=30)
       r.raise_for_status()
       r.encoding= 'utf-8'
       return json.loads(r.text)
    except:
       print("错误")
url="https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2420&_=1543742054481"
getHTMLText(url)
        
csv=''
 
for item in json_data['data']:
    csv +=str(item['StudentNo'])+'\t'+','+item['RealName']+','+item['Title']+','+item['DateAdded'].replace('T',' ')+'\t'+','+item['Url']+'\n'
with open('hwlist.csv','w') as f:
    f.write(csv)

 

 

生成的文件内容如下：

 

第二部分：

在生成的 hwlist.csv 文件的同文件夹下，创建一个名为 hwFolder 文件夹，为每一个已提交作业的同学，新建一个以该生学号命名的文件夹，将其作业网页爬去下来，并将该网页文件存以学生学号为名，“.html”为扩展名放在该生学号文件夹中。

源代码如下：

import os
import requests
import json

folder = os.path.exists("hwFolder")
if not folder:
    os.mkdir("hwFolder")
else:
           

    os.chdir("hwFolder")
    
    for item in json_data['data']:
        os.mkdir(str(item['StudentNo'])) 
        os.chdir(str(item['StudentNo']))
        try:
                rr=requests.get(item['Url'],timeout=30)
                rr.raise_for_status()
                rr.encoding= 'utf-8'
                
        except:
            print("错误")
        with open("str(item['StudentNo'])"+".html","w+b") as fp:
            fp.write(rr.content)
        os.chdir(os.path.pardir)
        

 部分结果如下：