爬虫小试牛刀（爬取学校通知公告）

• • 完成抓取并解析DGUT通知公告12页数据，并提交excel文件格式数据，数据需要包含日期标题，若能够实现将详情页主体内容与发布人信息数据也一并抓取更佳
  • 提交内容：Excel数据文件

爬虫开始

首先看到页面呈现规则的各个方框，这意味着它们之间的一定是一样的

此处该有图

我们点开后台可以看见属于通知活动的代码中很多这类

标签

<li>
   <a href="../info/1042/48792.htm" target="_blank" title="关于开展2018届毕业生中期发展评价的通知">
        <div class="box">
            <div class="time">
            <div class="ll">
                <img src="../images/list_box_07_ico.png" alt="">2023.06.09
            </div>
            <div class="rr">
                <img src="../images/list_box_24_ico.png" alt="">
            </div>
            </div>
            
            <h5 class="overfloat-dot-2">关于开展2018届毕业生中期发展评价的通知</h5>
        </div>
        </

那么我们可以分别截取一下几个标签，分别是

时间标签：<div class="ll">
标题标签：<h5 class="overfloat-dot-2">

前期工作准备结束了，让我们打开pycharm，引入本次的包

import requests #经典请求包
from bs4 import BeautifulSoup
import pandas as pd #生成xlsx文档包

为了我们的页面的中文正常输出，我们必须对获取的内容进行一个转码

 url = 'example.com' + str(page) + '.htm'
    r = requests.get(url)
    r.encoding = 'utf-8'

我观察到页面的顺序并不是从1往后的，而是从第12页为1.html，第11页为2.html，以此类推，而第一页则是index/tzgg.htm。

所以我的循环体设置循环12次，最后一次如果返回的是404的话，则访问的上面的网页

    if r.status_code == 404:
        url = 'example.com/index/tzgg.htm'
        r = requests.get(url)
        r.encoding = 'utf-8'

根据开头的标签，接下来就可以直接获取该标签上面的内容

title = article.find('h5', {'class': 'overfloat-dot-2'}).text.strip()
date = article.find('div', {'class': 'll'}).text.strip()

此时你会发现我没有解释这个article怎么来的，是因为我发现如果只是按照上面的方法直接获取

标签的话，页面中其他的该标签也会算进来，到时候就分不开产生bug。

所以为了区别开其他的同种标签，页面范围内比

大的标签，可以排除掉其他同类型标签的影响

articles = soup.find('section', {'class': 'n_container'})
articles = articles.find_all('li')

到这里，时间和标题我们就得到了。接下来我们需要到详情页去获取发布者名字

同样，详情页的url也在

标签中

href = article.find('a', href=True)
href = href['href']
article_detail_url = 'example.com' + href

然后通过再访问这个链接进去以同样的方式获取发布者名字，还得和上文一样，分开是不是第一页的子链接，如果是则需要更换第一页的url才能防止返回404状态。

article_detail_url = 'example.com/index/tzgg/' + href
 
# 获取详情页信息
detail_r = requests.get(article_detail_url)
if detail_r.status_code == 404:
    url = 'example.com'+href
    detail_r=requests.get(url)
    detail_r.encoding = 'utf-8'
    detail_soup = BeautifulSoup(detail_r.text, 'html.parser')
    author = detail_soup.find('h6').find_all('span')[2].text

我们需要的信息就完全抓取下来了。本次任务就结束了，接下来的导出excel文件

# 将数据存储成DataFrame，并导出为Excel文件
df = pd.DataFrame(data_list, columns=['日期', '标题', '发布者'])
df.to_excel('通知公告.xlsx', index=False)

总结

这次做完通知公告爬虫，感觉不是很难，因为网站没有对请求头进行限制，所以让我直接request就行了。

不过这次让我对python在爬虫之类的作用更加感兴趣，希望下次能了解更多的这类知识，以后也能学会如何防爬虫的知识。