文章目录

• 前言
• 一、新建scrapy文件+配置setting
• • 两种方式新建执行srapy文件
  • 二、确定&分析需求
  • 三、获取文件路径
  • • 观察题库&分析源码&拿下路径
    • 跳转做题，拿下题目
    • 处理Json格式的题目数据
    • 存储数据

      ---

      前言

      本文用于参考学习，请执行配置好scrapy环境后再进行编程实操

      代码

      pip install scrapy==2.5.1
      pip install Twisted==22.10.0
      

      单题效果：

      

      ---

      一、新建scrapy文件+配置setting

      在配置好scrapy环境后在编译器终端参考如下图片中步骤建立一个scrapy文件。

      注意：

      • scrapy startproject 文件夹的名字
      • scrapy genspider 爬虫文件名 爬取的网站域名(比如百度就是baidu.com)

        

        创建结果:

        只需了解：

        其中qpwj.py文件就是scrapy genspider 爬虫文件名 爬取的网站域名 —命令创建的，用来对网站的源代码进行解析（提取数据）

        pipelines.py:数据管道，进行数据存储。

        settings:配置scrapy文件，协调爬虫工作。

        

        然后做这一步:

        

        本案例setting文件中做如下配置，个别对应值自己去浏览器中查：

        USER_AGENT = "*****"   #浏览器中可查,按F12打开开发者模式点击network刷新网页点击网页文件找到USER_AGENT进行复制
        ROBOTSTXT_OBEY = False #属于君子协议，改成False,就是爬，不管别人肯不肯
        LOG_LEVEL = "WARNING" #少点无用的信息
        DOWNLOAD_DELAY = 3 #这个一定要配好，控制延迟，不要太快，保护网站不崩
        COOKIES_ENABLED = False #取消cook的自动维护
        DEFAULT_REQUEST_HEADERS = {
          'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
          'Accept-Language': 'en',
           "Cookie":"****" #自己给个cookie，登录网站就会得到
        }
        ITEM_PIPELINES = {
           #pipelines.py文件中的类的执行优先级，数字小的先执行
           'Problem.pipelines.ProblemPipeline': 300,
            'Problem.pipelines.PICPipeline':299
        }
        IMAGES_STORE ="./" # 给一个当前文件夹作为路径做参考来存储文件
        

        两种方式新建执行srapy文件

        1. 新建一个runner.py（和scrapy.cfg同等级）文件：

        #运行时右键run该文件就能执行Scrapy了
        #tip:
        #scrapy genspider 爬虫文件名 爬取的网站域名
        from scrapy.cmdline import execute
        if __name__ == '__main__':
            execute("scrapy crawl pqwj".split()) #注意pqwj替换为你的文件名
        

        2.终端输入:

        scrapy crawl pqwj
        

        二、确定&分析需求

        把这个网站所有的题目都爬下来，分类存放,文件格式(markdown)，对于题目图片也存放一份在对应文件夹中。

        确定文件分类形式:

        

        

        直接举例：

        一、资金时间价值的概念中的20道题目要都存放在一、资金时间价值的概念.md文件中，并且把图片都存放在同等级的img文件夹中

        文件路径：

        工程类/一级建造师/1Z101000工程经济/1Z101010资金时间价值的计算及应用/1Z101011利息的计算/一、资金时间价值的概念/一、资金时间价值的概念.md

        

        三、获取文件路径

        发现first+second路径，而且有a标签，a标签中的href值是要用来进行拼接后来网页跳转的网址:

        

        例如对含有一级建筑师文本的a标签进行href提取后进行网址拼接得到：

        https://ks.wangxiao.cn/TestPaper/list?sign=jzs1
        

        跳转到：

        

        而我们的需求是跳转到:

        https://ks.wangxiao.cn/exampoint/list?sign=jzs1
        

        

        两个网址一对比:

        拿到的跳转网址:
        https://ks.wangxiao.cn/TestPaper/list?sign=jzs1
        目标：
        https://ks.wangxiao.cn/exampoint/list?sign=jzs1
        

        就差一个单词，观察其他网址是否也是如此，回答为：YES

        那么：

        进行一级目录和二级目录提取，并且向这些类目下的考点链接发送请求（拼接路径后进行替换单词）

                for i in all_li:
                    onetitle = i.xpath(".//p/span//text()").extract_first()
                    li_all_a=i.xpath(".//div[@class='send-title']/a")
                    for j in li_all_a:
                        twotitle  = j.xpath(".//text()").extract_first()
                        twourl = resp.urljoin(j.xpath("./@href").extract_first()).replace("TestPaper","exampoint")
                        yield scrapy.Request(
                            url=twourl,
                            callback=self.Plistparse,
                            meta={
                                "one":onetitle,
                                "two": twotitle
                            }
                        )
        

        观察题库&分析源码&拿下路径

        访问题库后一点开，发现它的文件路径这样的:

        

        题目路径有的深有的浅:

        工程类\一级建造师Z101000工程经济Z101010资金时间价值的计算及应用Z101011利息的计算\一、资金时间价值的概念\一、资金时间价值的概念.md
        工程类\一级建造师Z101000工程经济\现金流量图的计算\现金流量图的计算.md
        

        这个怎么办?难道一套网页路径结构，就要写一套代码吗?

        NO NO NO

        可以先拿最里面的路径名：

        比如：工程类\一级建造师\1Z101000工程经济\1Z101010资金时间价值的计算及应用\1Z101011利息的计算\一、资金时间价值的概念\一、资金时间价值的概念.md （.md这个文件名啊）

        最里面的路径名：一、资金时间价值的概念

        然后再从这个路径往外一层层的去拿路径名。

        观察发现所有最里层的路径名都会放在类名为section-point-item的ul下第一个li中:

        

        那我们就可以拿下所有的ul(section-point-item)让后进行遍历，一个个的去获取完整路径：

        ul(section-point-item)的上层路径名都存放在ul[@class=‘section-item’ or @class=‘chapter-item’]ul类名为section-item或者chapter-item的标签中的第一个li中。

        利用语句

        i指的是ul(section-point-item)

        i.xpath("./ancestor::ul[@class='section-item' or @class='chapter-item']")
        会获得一个列表：
        比如：一、资金时间价值的概念
        会得到：
        [1Z101000工程经济,1Z101010资金时间价值的计算及应用,1Z101011利息的计算]
        

        对应得从外到里的关系:

        

        all_sectionpointitem=resp.xpath(".//ul[@class='section-point-item']")
                onetitle=resp.meta["one"]
                twotitle=resp.meta["two"]
                if all_sectionpointitem:
                    for i in all_sectionpointitem:
                        thretitle= "".join(i.xpath("./li[1]//text()").extract()).strip().replace(" ","")
                        #top sign的作用见下文
                        top="".join(i.xpath("./li[2]//text()").extract()).strip().split("/")[1]
                        sign="".join(i.xpath("./li[3]/span/@data_sign").extract()).strip().replace(" ","")
                        subsign="".join(i.xpath("./li[3]/span/@data_subsign").extract()).strip().replace(" ","")
                        r = [onetitle, twotitle]
                        fj = i.xpath("./ancestor::ul[@class='section-item' or @class='chapter-item']")
                        for j in fj:
                            p_name="".join(j.xpath("./li[1]//text()").extract()).strip().replace(" ","")
                            r.append(p_name)
                        r.append(thretitle)
                        dir_path="/".join(r)
        

        跳转做题，拿下题目

        

        

        观察源码发现源码中两个网页没有可以发生跳转的链接，开始抓包:

        在接收数据中发现POST请求：

        题目数据存放在json中

        

        

        

        观察多个网页的请求发现：

        Payload中:
        examPointType: ""  (不变)
        practiceType: "2"  （不变）
        questionType: ""    （不变）
        sign: "jz1"           (变化)
        subsign: "8cc80ffb9a4a5c114953" （变化）
        top: "30"  （题目数量）
        

        那top、sign、subsign在哪找呢?

        观察

        top:

        

        sign、subsign:

        

        那么就有法发送请求获取题目数据了：

                     data={
                            "examPointType": "",
                           "practiceType": "2",
                            "questionType": "",
                            "sign": sign,
                            "subsign": subsign,
                            "top": top
                        }
                        yield scrapy.Request(
                            url="https://ks.wangxiao.cn/practice/listQuestions",
                            method="POST",
                            body = json.dumps(data),
                            callback=self.parse_qu,
                            dont_filter=True,
                            headers={"Content-Type":"application/json; charset=UTF-8"},
                            meta={
                             "LJ":dir_path,
                             "filename":thretitle
                            }
                        )
        

        处理Json格式的题目数据

        观察json文件格式发现在Data下存在多个字典每个字典下的questions（选择题）或者materials（材料题）键值内存放着题目信息。

        #使用data.get("questions")  不存在"questions"键值就不会报错
        #使用data["questions"]  不存在"questions"键值会报错
        data.get("questions")
        

        

         Datas = resp.json() #将json格式数据转为python对象
                datas = Datas["Data"]  #先从列表中拿下"Data"键下的题目数据
                for data in datas: #遍历datas列表,列表中存在一个个字典
                    questions = data.get("questions") #获取"questions"键下的值,一个列表
                    if questions:
                        for q in questions: #遍历列表，进行题目数据提取
                            s=self.process_q(q)
                            #发送数据进行存储
                            yield {"path":resp.meta["LJ"],
                                   "name":resp.meta["filename"],
                                   "tm":s}
                    else:
                        materials = data.get("materials") #数据存放在"materials"列表中
                        for mater in materials:
                            mater_content = mater["material"]['content']
                            questions = mater['questions']
                            qs = []
                            for q in questions:
                                q_info = self.process_q(q)
                                qs.append(q_info)
                            mater_content=mater_content+"\n\n"+qs
                            #发送数据进行存储
                            yield {"path":resp.meta["LJ"],
                                   "name":resp.meta["filename"],
                                   "tm":mater_content}
        

         def process_q(self,q):
                tm = q["content"] #题目内容
                op = q['options'] #题目选项
                jx = q['textAnalysis'] #题目解析
                op_list = []
                r_list = []
                for o in op:
                    xxx = o["content"] 
                    xx = o["name"] + "." + o["content"]
                    op_list.append(xx)
                    if o["isRight"] == 1:
                        if o["name"] in "ABCDEFGHJK":
                            r_list.append(o["name"])
                        else:
                            xxx = xxx + "\n"
                            r_list.append(xxx)
                    else:
                        pass
                s = tm + "\n" + "\n".join(op_list) + "\n" + "正确答案:" + "".join(r_list) + "\n" + jx+"\n" #组合题目内容,s就是一条完整的题目数据
                return s
        

        s的内容示例（含图片的会有标签）:

        关于资金时间价值的说法，正确的是（   ）。
        A.资金周转速度的加快，对提升资金的时间价值有利 
        B.资金的时间价值与资金的使用时间长短无关 
        C.资金的时间价值与资金的数量无关 
        D.资金总额一定，前期投入越多，资金的正效益越大 
        正确答案:A
        影响资金时间价值的因素很多，其中主要有以下几点：
        1.资金的使用时间。在单位时间的资金增值率一定的条件下，资金使用时间越长，则资金的时间价值越大；使用时间越短，则资金的时间价值越小。B选项错误。
        2.资金数量的多少。在其他条件不变的情况下，资金数量越多，资金的时间价值就越多；反之，资金的时间价值则越少。C选项错误。
        3.资金投入和回收的特点。在总资金-定的情况下，前期投入的资金越多，资金的负效益越大；反之，后期投入的资金越多，资金的负效益越小。而在资金回收额一-定的情况下，离现在越近的时间回收的资金越多，资金的时间价值就越多；反之，离现在越远的时间回收的资金越多，资金的时间价值就越少。D选项错误。
        4.资金周转的速度。资金周转越快，在一定的时间内等量资金的周转次数越多，资金的时间价值越多；反之，资金的时间价值越少。A选项正确。
        【知识点】资金时间价值的概念
        【考察方向】概念释义
        【难易程度】易
        

        存储数据

        存数据时pipelines要导入的包:

        import os
        import scrapy
        from lxml import etree
        from scrapy.pipelines.images import ImagesPipeline
        

        首先我们要考虑，材料题的数据中存在图片，我们得把图片下下来存放在对应文件夹里，并且对s中img标签进行src地址替换，让它根据本地文件路径显示图片。（注意是相对路径）

        优先级较高的步骤，下载题目素材：

        #ImagesPipeline ---继承ImagesPipeline中的方法get_media_requests、file_path、item_completed进行##方法重写
        class PICPipeline(ImagesPipeline):
            #发送下载请求
            def get_media_requests(self, item, info):
                jxq=etree.HTML(item['tm']) #xpath定位
                srcs = jxq.xpath("//img/@src")
                for s in srcs:
                    yield scrapy.Request(url=s,meta={"path":item['path'],"f_name":item['name'],"src":s},dont_filter=True)
            #确定文件保存位置和文件名字
            def file_path(self, request, response=None, info=None, *, item=None):
                path = request.meta['path']
                f_name = request.meta['f_name']
                wj_name = request.meta['src']
                real_name = wj_name.split("/")[-1]
                return path+"/"+"img"+"/"+real_name
             #下载结果处理---results
            def item_completed(self, results, item, info):
                #print(results)
                for i in results:
                    status = i[0]  #下载状态-True --False
                    dic = i[1]
                    if status:
                        src = dic['url']
                        wzpath = dic['path'].split("/")[-2:]
                        path = wzpath[0]+"/"+wzpath[1]
                        item['tm'] = item['tm'].replace(src,path)
                        print("替换为本地图片成功")
                return item  #一定return item将数据传递下去
        

        优先级较低的步骤，把题目存下来：

            def process_item(self, item, spider):
                d_path = item['path']
                f_name = item['name']
                #如果文件路径不存在
                if not os.path.exists(d_path):
                #   创建它
                    os.makedirs(d_path)
                #完整路径
                real_path = d_path+"/"+f_name+".md"
                f=open(real_path,mode="a",encoding="UTF-8")
                #写入题目
                f.write(item['tm'])
                f.write("\n\n")
                f.close()
                print("存下一道题目！")
                return item
        

         
         洛阳建站洛阳市网站建设  哈尔滨网站建设设计  营销网站制作公司  设计制作网站公司  怎么申请免费域名  北京网站建设品牌