Educode--网页抓取及信息提取

第1关：利用URL获取超文本文件并保存至本地

实现代码：

# -*- coding: utf-8 -*-

import urllib.request as req

import os

import hashlib

# 国防科技大学本科招生信息网中录取分数网页URL：

url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html'  # 录取分数网页URL

def step1():

# 请按下面的注释提示添加代码，完成相应功能

#********** Begin *********#

# 1.将网页内容保存到data

    webpage = req.urlopen(url)

    data = webpage.read()

# 2.将data以二进制写模式写入以学号命名的 “nudt.txt” 文件：

    outfile = open("nudt.txt","wb")

    outfile.write(data)

    outfile.close()

#********** End **********#

第2关：提取子链接 

实现代码：

# -*- coding: utf-8 -*-

import urllib.request as req

# 国防科技大学本科招生信息网中录取分数网页URL：

url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/index.html'  # 录取分数网页URL

webpage = req.urlopen(url)  # 按照类文件的方式打开网页

data = webpage.read()       # 一次性读取网页的所有数据

data = data.decode('utf-8')  # 将byte类型的data解码为字符串（否则后面查找就要另外处理了）

def step2():

# 建立空列表urls，来保存子网页的url

    urls = []

# 请按下面的注释提示添加代码，完成相应功能

#********** Begin *********#

# 从data中提取2016到2012每一年分数线子网站地址添加到urls列表中

    years = [2016, 2015, 2014, 2013,2012]

    for year in years:

        index = data.find("国防科技大学%s年录取分数统计" %year)

        href = data[index-80:index-39]   # 根据各个特征串提取url子串

        website = 'http://www.gotonudt.cn'

        urls.append(website+href)

#********** End **********#

    return urls

第3关：网页数据分析 

实现代码：

# -*- coding: utf-8 -*-

import urllib.request as req

import re

# 国防科技大学本科招生信息网中2016年录取分数网页URL：

url = 'http://www.gotonudt.cn/site/gfkdbkzsxxw/lqfs/info/2017/717.html'

webpage = req.urlopen(url)      # 根据超链访问链接的网页

data = webpage.read()           # 读取超链网页数据

data = data.decode('utf-8')     # byte类型解码为字符串

# 获取网页中的第一个表格中所有内容：

table = re.findall(r'', data, re.S)

firsttable = table[0]           # 取网页中的第一个表格

# 数据清洗，将表中的 ，\u3000，和空格号去掉

firsttable = firsttable.replace(' ', '')

firsttable = firsttable.replace('\u3000', '')

firsttable = firsttable.replace(' ', '')

def step3():

    score = []

# 请按下面的注释提示添加代码，完成相应功能，若要查看详细html代码，可在浏览器中打开url，查看页面源代码。

#********** Begin *********#

# 1.按tr标签对获取表格中所有行，保存在列表rows中：

    rows = re.findall(r'', firsttable, re.S)

# 2.迭代rows中的所有元素，获取每一行的td标签内的数据，并把数据组成item列表，将每一个item添加到scorelist列表：

    scorelist = []

    for row in rows:

        items = []

        tds = re.findall(r'(.*?)', row, re.S)

        for td in tds:

            rightindex = td.find('')    # 返回-1表示没有找到

            leftindex = td[:rightindex].rfind('>')

            items.append(td[leftindex+1:rightindex])

        scorelist.append(items)

# 3.将由省份，分数组成的7元列表（分数不存在的用\代替）作为元素保存到新列表score中，不要保存多余信息

    for record in scorelist[3:]:

        record.pop()

        score.append(record)

#********** End **********#

    return score

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！