正在成长的爬虫

最新推荐文章于 2025-09-10 17:05:30 发布

转载最新推荐文章于 2025-09-10 17:05:30 发布 · 86 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/wang93/p/10064030.html

文章标签：

#爬虫 #json

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

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。

第一部分：大体没有问题

第二部分：爬下来的网页没有格式和图片

import requests
import json
import os

def GetHTMLText(url):
    try:
        r=requests.get(url)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return "产生异常"

def MakeHTML(s,url):    #将网页保存到本地  
    responces = requests.get(url) 
    responces.encoding=responces.apparent_encoding
    file = open(s+'.html','w',encoding='UTF-8') 
    file.write(responces.text) 
    file.close()

if __name__=="__main__": 
    url='https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2420&_=1543321336479'
    json_data=json.loads(GetHTMLText(url))
    datas=json_data['data']
    information=''
    for data in datas:
        information+=str(data['StudentNo'])+','+data['RealName']+','+data['DateAdded'].replace('T',' ')+','+data['Url']+'\n'
        
    with open('F://hwlist.csv','w') as f:
        f.write(information)
    
    os.makedirs('F://hwFolder')#创建目录
    os.chdir('F://hwFolder')#转到这个目录下面
    
    for num in datas:
        os.makedirs(str(num['StudentNo']))#创建一个以学号命名的目录
        os.chdir('F://hwFolder//'+str(num['StudentNo']))#转到这个目录下面
        MakeHTML(str(num['StudentNo']),num['Url'])#开始把网页弄到本地
        os.chdir('F://hwFolder')#转回 hwFolder 目录下