爬虫参考
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。
源代码:
1 import requests as r 2 import json as j 3 url="https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2422&_=1544078707814" 4 text=r.get(url) 5 data=j.loads(text.text)['data'] 6 result='' 7 for d in data: 8 result+=str(d['StudentNo'])+','+d['RealName']+','+d['DateAdded'].replace('T',' ')+','+d['Title']+','+d['Url']+'\n' 9 with open ('hwlist.csv','w') as f: 10 f.write(result)
爬取结果:
发现的问题:
有一个时间显示不出来,但是双击#####可以显示正确的时间,原因未知,是格式问题???