爬虫scrapy-将某网站内的试题爬取出来并保存为本地markdown文件

文章目录

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\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

工程类\一级建造师\1Z101000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}

defprocess_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classPICPipeline(ImagesPipeline):#发送下载请求defget_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deffile_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---resultsdefitem_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：

defprocess_item(self, item, spider):
        d_path = item['path']
        f_name = item['name']#如果文件路径不存在ifnot 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