python 爬虫基本使用——统计杭电oj题目正确率并排序
python爬虫主要用两个库：Urllib和BeautifulSoup4。一个用来爬取网页，一个用来解析网页。
Urllib是Python内置的HTTP请求库，它包含四个模块：
1、request，最基本的HTTP请求模块，用来模拟发送请求，就像在浏览器里输入网址然后敲击回车一样，只需要给库方法传入URL与额外的参数，就可以模拟这个过程。
2、error，异常处理模块，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作保证程序不会意外终止。
3、parse，工具模块，提供了许多URL处理方法，比如拆分、解析、合并等。
4、robotparser，主要用于识别网站的robots.txt文件，判断网站是否可以爬取，用的较少。
这里只用到了最常用的request。
BeautifulSoup4从bs4包中导出，这里主要用的就是它的解析功能。
代码如下，注释写得很清楚了：
#杭电OJ题目AC率排序
importurllib.requestasur
frombs4importBeautifulSoup
dic={}#存："题号：题名AC提交次数正确率"
fortinrange(1,59,1):#1~58页都爬一遍
print(t)
url='http://acm.hdu.edu.cn/listproblem.php?vol='+str(t)#存网址
bs=BeautifulSoup(ur.urlopen(url).read(),"html.parser")#获取网址的html并转换为可以python可以使用的结构
ql0=str(bs.body.table.contents[11].td.table.contents[1])#网页的DOM解析后可以直接通过"."来寻找子元素，找到题目的列表元素后，将列表中所有题目转换成字符串。（可以输出看看）
ql=ql0[30:-10].split(";")#字符串中的题目以";"分隔，将它们分开，并存到列表中
foriinql:#以下就是格式化处理每个题目，然后存到字典中
info1=i.split(',"',1)
num=info1[0].split(',')[1]
info2=info1[1].split('",',1)
name=info2[0]
right,submit=info2[1].split(',',1)
submit=submit[:-1]
dic[num]=[name,int(right),int(submit),int(right)/int(submit)]
dic=sorted(dic.items(),key=lambdax:x[1][3])#每页题目都存入字典后，把字典中的题目通过正确率进行排序，传出列表
withopen('Statistics.txt','w',encoding='utf-8')asf:#把统计排序好的题目保存到txt中
foriindic:
f.write(str(i)+'\n')
print("Success！")
以上就是python爬虫基本使用——统计杭电oj题目正确率并排序的详细内容，更多关于python爬虫的资料请关注毛票票其它相关文章！