python 爬虫基本使用——统计杭电oj题目正确率并排序

  python爬虫主要用两个库:Urllib和BeautifulSoup4。一个用来爬取网页,一个用来解析网页。

  Urllib是Python内置的HTTP请求库,它包含四个模块:

  1、request,最基本的 HTTP 请求模块,用来模拟发送请求,就像在浏览器里输入网址然后敲击回车一样,只需要给库方法传入 URL 与额外的参数,就可以模拟这个过程。

  2、error ,异常处理模块,如果出现请求错误,我们可以捕获这些异常,然后进行重试或其他操作保证程序不会意外终止。

  3、parse ,工具模块,提供了许多 URL 处理方法,比如拆分、解析、合并等。

  4、robotparser,主要用于识别网站的 robots.txt 文件,判断网站是否可以爬取,用的较少。

  这里只用到了最常用的request。

  BeautifulSoup4从bs4包中导出,这里主要用的就是它的解析功能。

  代码如下,注释写得很清楚了:

#杭电OJ题目AC率排序

import urllib.request as ur

from bs4 import BeautifulSoup

dic = {} #存:"题号:题名 AC 提交次数 正确率"

for t in range(1,59,1):#1~58页都爬一遍

print(t)

url = 'http://acm.hdu.edu.cn/listproblem.php?vol='+str(t) #存网址

bs = BeautifulSoup(ur.urlopen(url).read(),"html.parser")#获取网址的html并转换为可以python可以使用的结构

ql0 = str(bs.body.table.contents[11].td.table.contents[1])#网页的DOM解析后可以直接通过"."来寻找子元素,找到题目的列表元素后,将列表中所有题目转换成字符串。(可以输出看看)

ql = ql0[30:-10].split(";") #字符串中的题目以";"分隔,将它们分开,并存到列表中

for i in ql: #以下就是格式化处理每个题目,然后存到字典中

info1 = i.split(',"',1)

num = info1[0].split(',')[1]

info2 = info1[1].split('",',1)

name = info2[0]

right,submit = info2[1].split(',',1)

submit = submit[:-1]

dic[num] = [name,int(right),int(submit),int(right)/int(submit)]

dic = sorted(dic.items(),key = lambda x: x[1][3]) #每页题目都存入字典后,把字典中的题目通过正确率进行排序,传出列表

with open('Statistics.txt','w',encoding = 'utf-8') as f:#把统计排序好的题目保存到txt中

for i in dic:

f.write(str(i)+'\n')

print("Success!")

以上是 python 爬虫基本使用——统计杭电oj题目正确率并排序 的全部内容, 来源链接: utcz.com/z/327819.html

回到顶部