实例介绍
功能描述
输入:大学排名的URL链接
输出:大学排名信息的屏幕输出(排名,大学名称,总分)
技术路线:requests-bs4
定向爬虫:进队输入URL进行爬取,不扩展爬取
程序的结构设计
步骤一:从网络上获取页面信息
getHTMLText()
步骤二:提取网页内容中信息到合适的数据结构
fillUnivList()
步骤三:利用数据结构展示并输出结果
printUnivList()
代码实现
import requests
from bs4 import BeautifulSoup
import bs4
#从网络上获取页面信息
def getHTMLText(url):
try:
r=requests.get(url,timeout=30)
r.raise_for_status()
r.encoding=r.apparent_encoding
return r.text
except:
return ""
#提取网页内容中信息到合适的数据结构
def fillUnivList(ulist,html):
soup=BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
#过滤掉非标签的其他信息,用isinstance()对类型进行判断
if isinstance(tr,bs4.element.Tag):
tds=tr('td')
ulist.append([tds[0].string,tds[1].string,tds[2].string])
#利用数据结构展示并输出结果
def printUnivList(ulist,num):
#实现表头打印
print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","分数"))
for i in range(num):
u=ulist[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))
def main():
unifo=[]
url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
html=getHTMLText(url)
fillUnivList(unifo,html)
printUnivList(unifo,20)#打印20所学校的信息
main()
实例优化
format方法的问题
中文字符不够时,默认英文字符填充,会造成对齐问题。
import requests
from bs4 import BeautifulSoup
import bs4
#从网络上获取页面信息
def getHTMLText(url):
try:
r=requests.get(url,timeout=30)
r.raise_for_status()
r.encoding=r.apparent_encoding
return r.text
except:
return ""
#提取网页内容中信息到合适的数据结构
def fillUnivList(ulist,html):
soup=BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
#过滤掉非标签的其他信息,用isinstance()对类型进行判断
if isinstance(tr,bs4.element.Tag):
tds=tr('td')
ulist.append([tds[0].string,tds[1].string,tds[2].string])
#利用数据结构展示并输出结果
def printUnivList(ulist,num):
tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
#实现表头打印
print(tplt.format("排名","学校名称","省市",chr(12288)))
for i in range(num):
u=ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
def main():
unifo=[]
url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
html=getHTMLText(url)
fillUnivList(unifo,html)
printUnivList(unifo,20)#打印20所学校的信息
main()