网络爬虫—作者：王晓坤

网络爬虫作业

一、题目

羊车门作业已发布，很快就会有同学提交作业，在此作业基础上，我们发布本网络爬虫作业。

本作业共分两部分，第一部分必做，第二部分选作。

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。

二、源代码

import requests
import json
import os
import shutil
import datetime
import time
#————————————————————————————————————————————————————————————————————————————————————————————————————————————————————

def GetUrl(url):
    '''爬取网页内容函数.参数:网址'''
    try:
        r = requests.get(url)                       #获取网页内容
        r.raise_for_status()                        #返回异常,r.status_code是200，返回 None
        r.encoding = r.apparent_encoding            # 转化编码,  根据r.apparent_encoding的结果转码
        print('网页内容读取成功！')
        return r                                    #返回网页内容
    except:
        print("产生异常")
        
#————————————————————————————————————————————————————————————————————————————————————————————————————————————————————
          
def CreatFolder(FolderName):  
    ''' 创建文件夹函数，参数文件夹的名称（字符串）'''          
    exist=os.path.exists(FolderName)                #判断是否存在，存在返回真，否则返回假。
    if not exist:     
        os.mkdir(FolderName)
        print('{}文件夹创建成功!'.format(FolderName))   
    else:
        shutil.rmtree(FolderName)
        CreatFolder(FolderName)
        print('{}文件夹已存在，将其删除后重建！\n'.format(FolderName)) 

#—————————————————————————————————————————————————————————————————————————————————————————————————————————————————

def HW(url):
    r0=GetUrl(url)                                                                  #调用函数爬取网页
    data0=json.loads(r0.text)                                                       #将json格式数据转换为字典   
    #创建hwlist.csv
    with open ('hwlist.csv','w')as f:
        zero=('学号',',','姓名',',','作业标题',',','作业提交时间',',','作业URL','\n') #写入第一行内容
        f.writelines(zero)
        for i in data0['data']:
            xuehao=str(i['StudentNo'])+"\t"                                         #在时间和日期后加上“\t”，转换为格式
            date=i['DateAdded'].replace('T',' ')+"\t"                               #用EXCEL打开的时候，不会出现错误的形式                                                           
            one=(xuehao,',',i['RealName'],',',i['Title'],',',date,',',i['Url'],'\n')
            f.writelines(one)
            
    #创建hwFolder文件夹 
    FolderName='hwFolder'
    CreatFolder(FolderName)                        
    os.chdir(FolderName)                            #进入hwFolder文件夹
    
    #创建学生的文件夹和文件
    for i in data0['data']:    
        name=str(i['StudentNo'])                    #得到学号
        CreatFolder(name)                           #创建以学号命名的文件夹                       
        os.chdir(name)                              #进入以学号命名的文件夹
        
        with open (name+'.html','wb') as fp:        #覆盖写模式和二进制文件模式，对以学号命名.html文件 进行操作（必须以二进制文件模式）
            Url=i['Url']       
            r1=GetUrl(Url)                          #获取该学号同学羊车门作业的网页
            fp.write(r1.content)                    #r1.content获取网页的内容，并写入以该同学学号命名.html文件中
            #a=type(r1.content)
            #print(a)
            print("{}.html文件内容创建成功。\n".format(name))
        os.chdir('..')                              #返回上一层目录，即hwFolder文件夹 


#————————————————————————————————————————————————————————————————————————————————————————————————————————————————————

#定时爬取网页内容
#if __name__=='__main__':                               
flag=0                                                                  #设定一个值    
now=datetime.datetime.now()
print(now)
sched_timer=datetime.datetime(now.year, now.month, now.day, now.hour, now.minute, now.second) + datetime.timedelta(seconds=5) 
print(sched_timer)
while (True): 
    url="https://edu.cnblogs.com/Homework/GetAnswers?homeworkId=2420&_=1543326450118"
    now=datetime.datetime.now()
    if sched_timer<now<sched_timer+datetime.timedelta(seconds=5): 
        time.sleep(1) 
        HW(url)                                                         #运行函数
        flag=1
    else:
        if flag==1: 
            sched_timer=sched_timer+datetime.timedelta(minutes=2)       #2分钟后运行
            flag=0
            print("程序执行完成！！")