python 爬蟲基本使用——統(tǒng)計杭電oj題目正確率并排序

更新時間：2020年10月26日 08:43:03 作者：頎周

這篇文章主要介紹了python 爬蟲基本的基本使用，主要利用了Urllib和BeautifulSoup4這兩個庫，配以簡單的實例幫助大家理解，感興趣的朋友可以了解下

　　python爬蟲主要用兩個庫：Urllib和BeautifulSoup4。一個用來爬取網頁，一個用來解析網頁。

　　Urllib是Python內置的HTTP請求庫，它包含四個模塊：

　　1、request，最基本的 HTTP 請求模塊，用來模擬發(fā)送請求，就像在瀏覽器里輸入網址然后敲擊回車一樣，只需要給庫方法傳入 URL 與額外的參數(shù)，就可以模擬這個過程。
　　2、error ，異常處理模塊，如果出現(xiàn)請求錯誤，我們可以捕獲這些異常，然后進行重試或其他操作保證程序不會意外終止。
　　3、parse ，工具模塊，提供了許多 URL 處理方法，比如拆分、解析、合并等。
　　4、robotparser，主要用于識別網站的 robots.txt 文件，判斷網站是否可以爬取，用的較少。

　　這里只用到了最常用的request。

　　BeautifulSoup4從bs4包中導出，這里主要用的就是它的解析功能。

　　代碼如下，注釋寫得很清楚了：

#杭電OJ題目AC率排序

import urllib.request as ur
from bs4 import BeautifulSoup 

dic = {} #存："題號：題名 AC 提交次數(shù) 正確率"
for t in range(1,59,1):#1~58頁都爬一遍
 print(t)
 url = 'http://acm.hdu.edu.cn/listproblem.php?vol='+str(t) #存網址
 bs = BeautifulSoup(ur.urlopen(url).read(),"html.parser")#獲取網址的html并轉換為可以python可以使用的結構
 ql0 = str(bs.body.table.contents[11].td.table.contents[1])#網頁的DOM解析后可以直接通過"."來尋找子元素，找到題目的列表元素后，將列表中所有題目轉換成字符串。（可以輸出看看）
 ql = ql0[30:-10].split(";") #字符串中的題目以";"分隔，將它們分開，并存到列表中

 for i in ql: #以下就是格式化處理每個題目，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]) #每頁題目都存入字典后，把字典中的題目通過正確率進行排序，傳出列表

with open('Statistics.txt','w',encoding = 'utf-8') as f:#把統(tǒng)計排序好的題目保存到txt中
 for i in dic:
  f.write(str(i)+'\n') 
print("Success！")

以上就是python 爬蟲基本使用——統(tǒng)計杭電oj題目正確率并排序的詳細內容，更多關于python 爬蟲的資料請關注腳本之家其它相關文章！

您可能感興趣的文章: