数据采集与融合技术-实验报告一

姓名：刘心怡   学号：031904134   班级：2019级大数据一班

 

作业①

1）  实验内容及结果

实验要求: 使用urllib和re库方法定向爬取给定网址（https://www.shanghairanking.cn/rankings/bcsr/2020/0812 ）的指定数据。

代码链接：https://gitee.com/lyinkoy/codes/zbaf6g1tiprn4kqoxudv528

运行结果：

 

2）  心得体会

在实验一的作业一中，我原本使用了urllib.request库，但发现使用该库爬取数据后即使使用"utf-8", "gbk"去解码输出结果仍旧乱码，因此我最终还是使用我更为熟悉的requests库完成的该作业，而在选取目标数据时，我也适当的使用正则表达式来选取所需数据，最后为了使排版整齐，使用tplt，format（，chr（12288））方式，在这个作业的实践中，我对网页结构有了更深的了解，并且对爬虫设计也有了更进一步的了解。

 

作业②

1）  实验内容及结果

实验要求：用requests和Beautiful Soup库方法设计爬取https://datacenter.mee.gov.cn/aqiweb2/ AQI实时报。

代码链接：https://gitee.com/lyinkoy/codes/lcumb5r0qtkvyxa1s3dfh65

运行结果：

 

2）  心得体会

本次实验要求使用用requests和Beautiful Soup库方法设计爬取网站数据，而在最开始我就点开了错误的网站（内容只有一张gif图像），耽误了很多时间，最后还是询问助教老师才找到正确网页地址并且开始爬取，这个网站比上一个结构更加清晰，所以设计结构也会简单许多，但是在最后还是因为将数据类型弄混而导致出现‘NavigableString‘ object has no attribute ‘select’错误，最后还是经过同学提醒发现那些爬取下来的数据并非全部能.Strip（）强制转换类型，最后才让数据完整而正确无误的输出，在这次实验中我注意到了许多之前我未曾注意的东西，收益颇丰。

 

作业③

1）实验内容及结果

实验要求：使用urllib和requests爬取（https://news.fzu.edu.cn/），并爬取该网站下的所有图片

代码链接： https://gitee.com/lyinkoy/codes/oucwtk6h89s7yvb5rmdfl63

运行结果：

 

 

2）心得体会

本次实验涉及图片爬取，而在最开始通过查阅网页文档内容后就发现，该网页全部图片内容均在img中，且格式均为”<img src=/……>”,便由此依据设计了正则表达式r'<img src="(.*?)"'，使用其我能正确的爬出全部的图片url，但在爬取图片过程中我因为忘记在爬出的图片url前补上完整的网址导致之前无法爬出内容，而在加上之后才能，而在某一版作业中还出现过筛选jpg格式图片的内容，由此我也认识到字符匹配的结果boolean值不可直接作为if判断内容，而因为爬取的内容为图片，图片大小不好控制，而为保证下载的质量，结合最近学过的线程内容，我加上了‘time.sleep(3) #设置线程休眠时间’语句以控制其运行，获益颇丰。