python我的一个爬虫和测试

一、

使用request库的get()函数访问360搜索网页20次并且打印返回状态，text内容,计算text()属性和content()属性所返回网页内容的长度。

对360搜索主页进行爬虫：

利用request库的get函数访问google 20次，输入代码为：

import requests
wan="https://www.so.com/"
def pac(wan):
    print("第",i+1,"次访问")
    r=requests.get(wan,timeout=30)
    r.raise_for_status()
    print("text编码方式为",r.encoding)
    print("网络状态码为:",r.status_code)
    print("text属性:",r.text)
    print("content属性:",r.content)
    return r.text
for i in range(20):
    print(pac(wan))

由于结果太长，这里将代码改为打印text属性和content属性的长度后展示最后一次访问的结果，代码改动：

    print("text属性长度:",len(r.text))
    print("content属性长度:",len(r.content))

二、

这是一个简单的html页面，请保持为字符串，完成后面的计算要求。

a.打印head标签内容和你的学号后两位

b 获取body标签内容

c 获取id为first的标签对象

d 获取并打印html页面中的中文字符

html为：

 1 <!DOCTYPE html>
 2 
 3 <html>
 4 
 5 <head>
 6 
 7 <meta charset="utf-8">
 8 
 9 <title>菜鸟教程（runoob.com)</title>
10 
11 </head>
12 
13 <body>
14 
15          <hl>我的第一个标题学号25</hl>
16 
17          <p id="first">我的第一个段落。</p>
18 
19 </body>
20 
21                   <table border="1">
22 
23           <tr>
24 
25                   <td>row 1, cell 1</td>
26 
27                   <td>row 1, cell 2</td>
28 
29          </tr>
30 
31          <tr>
32 
33                   <td>row 2, cell 1</td>
34 
35                   <td>row 2, cell 2</td>
36 
37          <tr>
38 
39 </table>
40 
41 </html>

html

菜鸟教程运行结果：

相关计算代码：

from bs4 import BeautifulSoup
import re
soup=BeautifulSoup('''<!DOCTYPE html>
                   <html1>
                   <head>
                   <meta charset="utf-8">
                   <title>菜鸟教程(runoob.com)</title>
                   </head>
                   <body>
                       <hl>我的第一标题</hl>
                       <p id="first">我的第一个段落。</p>
                   </body>
                           <table border="1">
                       <tr>
                           <td>row 1, cell 1</td>
                           <td>row 1, cell 2</td>
                       </tr>
                       <tr>
                           <td>row 2, cell 1</td>
                           <td>row 2, cell 2</td>
                       <tr>
                   </table>
                   </html>''')
print("打印head标签和我的学号")
print(soup.head,"我的学号：07") 
print("获取body标签内容",soup.body) 
print("获取id为first的标签对象",soup.find_all(id="first")) 
st=soup.text
pp = re.findall(u'[u1100-uFFFDh]+?',st)
print("获取并打印html页面中的中文字符")
print(pp)

运行结果：

三、爬中国大学排名网站内容（http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html）

把爬取的数据，存为csv文件。

代码：

import csv
import os
import requests
from bs4 import BeautifulSoup
allUniv = []
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding ='utf-8'
        return r.text
    except:
        return ""
def fillUnivList(soup):
    data = soup.find_all('tr')
    for tr in data:
        ltd = tr.find_all('td')
        if len(ltd)==0:
            continue
        singleUniv = []
        for td in ltd:
            singleUniv.append(td.string)
        allUniv.append(singleUniv)
def writercsv(save_road,num,title):
    if os.path.isfile(save_road):
        with open(save_road,'a',newline='')as f:
            csv_write=csv.writer(f,dialect='excel')
            for i in range(num):
                u=allUniv[i]
                csv_write.writerow(u)
    else:
        with open(save_road,'w',newline='')as f:
            csv_write=csv.writer(f,dialect='excel')
            csv_write.writerow(title)
            for i in range(num):
                u=allUniv[i]
                csv_write.writerow(u)
title=["排名","学校名称","省市","总分","生源质量","培养结果","科研规模",
       "科研质量","顶尖成果","顶尖人才","科技服务","产学研究合作","成果转化","学生国际化"]
save_road="D:\pm.csv"
def main():
    url = 'http://www.zuihaodaxue.com/zuihaodaxuepaiming2018.html'
    html = getHTMLText(url)
    soup = BeautifulSoup(html, "html.parser")
    fillUnivList(soup)
    writercsv(save_road,20,title)
main()