分析一下他們的代碼，我在瀏覽器中對應(yīng)位置右鍵，然后點擊檢查元素，可以找到對應(yīng)部分的代碼。但是，直接查看當(dāng)前網(wǎng)頁的源碼發(fā)現(xiàn)，里面并沒有對應(yīng)的代碼。我猜測這里是根據(jù)服務(wù)器上的數(shù)據(jù)動態(tài)生成的這部分代碼，所以我們需要找到數(shù)據(jù)文件，以便向服務(wù)器申請，得到這部分資源。

在剛才查看元素的地方接著找數(shù)據(jù)文件，在Network里面的文件中很順利的就找到了，并在報文中拿到了URL和請求方法。

查看一下這個文件發(fā)現(xiàn)是JSON文件，那樣的話難度就又降低了，因為Python中有json庫，解析json的能力很強。可以直接將json轉(zhuǎn)換為字典和列表類型。

在這里我簡單介紹一下數(shù)據(jù)解析的過程吧。首先，我將爬取到的json文本轉(zhuǎn)換成某種數(shù)據(jù)類型，具體由數(shù)據(jù)決定，一般不是字典就是列表。查看類型發(fā)現(xiàn)是字典，且字典中有三個key值，而我們需要的key在一個叫data的key中。

而data中的數(shù)據(jù)是一個學(xué)生信息的列表類型，列表的每個元素都是一個字典，包括學(xué)生姓名，學(xué)號等信息。可以利用下標(biāo)獲取列表元素，并用key值得到你想拿到的信息。比如，利用Url得到網(wǎng)頁鏈接。

這時候我們爬取需要的信息的準(zhǔn)備工作可以說是結(jié)束了，我們拿到了數(shù)據(jù)的URL，并且知道了數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)。于是，我們只需要用requests庫爬一下這個頁面，然后用json解析一下，并且篩選有用的信息就好了。

(沒用到BeautifulSoup和re庫有點小失落)

接下來就是創(chuàng)建文件，就沒有什么難度了。只是在為每個學(xué)生創(chuàng)建文件的時候注意一下，創(chuàng)建好以后及時的回到上層目錄，否則，可能會讓文件一層層的嵌套下去。

代碼

#-*- coding:utf-8 -*-

importrequestsimportjsonimportos#抓取頁面

url = 'https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2420&_=1542959851766'

try:

r= requests.get(url,timeout=20)

r.raise_for_status()

r.encoding=r.apparent_encodingexcept:print('網(wǎng)絡(luò)異常或頁面未找到，請重試')#利用json拿到數(shù)據(jù)列表，每個列表元素都是字典

datas = json.loads(r.text)['data']

result= ""

#數(shù)據(jù)處理

for data indatas:

result+= str(data['StudentNo'])+','+data['RealName']+','+data['DateAdded'].replace('T',' ')+','+data['Title']+','+data['Url']+'\n'

#寫入文件

with open('hwlist.csv','w') as f:

f.write(result)#創(chuàng)建文件夾hwFolder

os.mkdir('hwFolder')

os.chdir('hwFolder')#創(chuàng)建每個學(xué)生的作業(yè)文件

for data indatas:#創(chuàng)建目錄

os.mkdir(str(data['StudentNo']))

os.chdir(str(data['StudentNo']))#抓取頁面

try:

webmsg= requests.get(data['Url'],timeout=20)

webmsg.raise_for_status()

webmsg.encoding=webmsg.apparent_encodingexcept:print('網(wǎng)絡(luò)異常或頁面未找到，請重試')#保存抓到的頁面

with open(str(data['StudentNo'])+'.html','wb') as f:

f.write(webmsg.content)

os.chdir(os.path.pardir)

部分結(jié)果展示

上圖是hwlist.csv文件的部分結(jié)果(Excel下打開)

玩?zhèn)€稍復(fù)雜點的

像之前那樣爬取頁面的話，其實是有點問題的。首先，我們只是爬取了頁面的內(nèi)容，但是并沒有抓取到頁面的樣式，頁面顯示會不太正常，排版混亂。其次，頁面中還有圖片等元素都不會顯示出來。而且，如果遇到網(wǎng)絡(luò)問題代碼需要再次運行的時候還會遇到一個問題，那就是目錄已經(jīng)存在了，我們在創(chuàng)建目錄就會失敗。除此之外還是有不少問題的，此處我先解決之前說到的幾個問題。即顯示問題和目錄問題。

如何解決我提到的這些問題呢，目錄問題我使用了一種比較容易實現(xiàn)的方案，那就是先判斷當(dāng)前目錄是否存在，如果不存在就創(chuàng)建目錄，否則就什么都不做。至于文件，暫定的方法是直接覆蓋。顯示問題也比較好解決，抓取網(wǎng)頁和抓取樣式或者網(wǎng)頁其實都一樣，就是用URL發(fā)送一個請求，來獲得這個資源，其實和抓取HTML相比，就是文件格式不太一致。

以抓取樣式表(CSS)為例，樣式的URL怎么獲取呢？有一些樣式是在一個叫做Link的標(biāo)簽的href屬性里，這里面就是外聯(lián)樣式存儲的位置。把它提取出來，請求這個樣式，并且修改原來的href屬性為抓到的文件在自己電腦上的保存位置即可。這樣的話即可保證抓到的CSS可以正常使用，確保排版正確。

當(dāng)然了，即使這樣，和原本的網(wǎng)頁也是有差別的，因為抓取到的資源還是不夠，和瀏覽器中獲得的元素對比一下就會發(fā)現(xiàn)還差不少。鑒于本人能力有限，這里就補充一下爬取外聯(lián)CSS和圖片的內(nèi)容，感興趣的可以看一看。

Tips：這里解析HTML頁面借助了強大的BeautifulSoup4庫(解析標(biāo)簽和玩一樣)和re庫，使工作量減少了不少。(安裝bs4庫: pip install BeautifulSoup4)

#-*- coding:utf-8 -*-

importrequestsimportjsonimportosimportrefrom bs4 importBeautifulSoupdef getHtml(url,timeout=110):try:

res=requests.get(url,timeout)

res.raise_for_status()

res.encoding=res.apparent_encodingreturnresexcept:print('網(wǎng)絡(luò)異常,'+url+"爬取失敗")def saveFile(name,content,mode='w'):try:

with open(name,mode) as f:

f.write(content)except:print("文件"+name+"創(chuàng)建失敗")defgetSource(text):#抓取樣式

root_url = 'https://www.cnblogs.com'soup= BeautifulSoup(text,'html.parser')for i in soup('link'):

css_list= [css for css in i['href'].split('/') if 'css' incss]if css_list!=[]:

filename= re.search(r'.*css',css_list[0]).group(0)

r= requests.get(root_url+i['href'])

saveFile(filename,r.content,'wb')

text= text.replace(i['href'],'Source/'+filename)#抓取圖片 用戶自己插入的圖片和網(wǎng)站自己生成的圖片都抓

#用戶自己插的那些格式很亂……用戶自己搞的東西就是個坑

for i in soup('img'):try:

img_list= [img for img in i['src'].split('/') if 'gif' in img or 'png' in img or 'jpeg' inimg]except KeyError :#某用戶自己改了HTML代碼 得讓我單獨判斷一下

img_list =[]if img_list!=[]:

filename=img_list[0]try:

r= requests.get(root_url+i['src'])

r.raise_for_status()except:if not 'http' in i['src']:

r= requests.get("https:"+i['src'])else:#又是某用戶寫博客用了HTML編輯器，寫的還不對

r = requests.get(i['src'])

saveFile(filename,r.content,'wb')

text= text.replace(i['src'],'Source/'+filename)#text用于修改原始的頁面鏈接，保證本地可以正常查看頁面

returntext#############################主程序#############################抓取頁面 并得到數(shù)據(jù)

r = getHtml('https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2420&_=1542959851766')

datas= json.loads(r.text)['data']#處理數(shù)據(jù)并將數(shù)據(jù)寫入文件

result = ""

for data indatas:

result+= str(data['StudentNo'])+','+data['RealName']+','+data['DateAdded'].replace('T',' ')+','+data['Title']+','+data['Url']+'\n'saveFile('hwlist.csv',result,'w')#創(chuàng)建文件夾hwFolder

if not os.path.exists('hwFolder'):

os.mkdir('hwFolder')

os.chdir('hwFolder')#創(chuàng)建每個學(xué)生的作業(yè)文件

for data indatas:#創(chuàng)建目錄

if not os.path.exists(str(data['StudentNo'])):

os.mkdir(str(data['StudentNo']))

os.chdir(str(data['StudentNo']))#抓取頁面

webmsg = requests.get(data['Url'])print('當(dāng)前的URL：'+data['Url'])#等待的過程有字出來不會無聊

#頁面的一些資源

if not os.path.exists('Source'):

os.mkdir('Source')

os.chdir('Source')

webtext=getSource(webmsg.text)

os.chdir(os.path.pardir)

saveFile(str(data['StudentNo'])+'.html',webtext.encode(),'wb')

os.chdir(os.path.pardir)

如果你的網(wǎng)絡(luò)沒問題，講道理，應(yīng)該不會拋異常。接下來找個頁面看看效果吧：

排版抓出來了，挺炫的，當(dāng)然，圖片也抓了。

考慮到有人會HTML，我把被程序調(diào)整后的HTML代碼找一個給大家看看，箭頭指向的地方都是程序自己改過的地方：

其實，雖然現(xiàn)在又和原頁面接近了不少，但是……我暫時沒有時間繼續(xù)完善了，以后還會繼續(xù)完善。給大家一個原博客的圖片，你會我先我還是少了些東西。暫時先這樣吧。

總結(jié)

以上是生活随笔為你收集整理的python 爬虫 博客园_Python爬虫爬取博客园作业的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。