从菜鸟开始学爬虫
实例1–2019中国最好大学排名定向爬虫
参考博客开始学习:https://www.cnblogs.com/Jerry-Dong/p/7647850.html
增加了一些简单功能
- 可以选择年份
Year = '2018'
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming' + Year + '.html'
- 可以爬取标题
try:
titleNode = soup.find('h3', class_='post-title')
utitle = titleNode.getText()
except:
utitle = '没有标题'
下面是完整代码-爬取前20名的大学排名:
# 2019中国最好大学定向爬虫
"""
Created on 2019-06-19
@author: DaDaBaoBaoRen
"""
import bs4
import requests
from bs4 import BeautifulSoup
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
# r.raise_for_status() # 要检查请求是否成功,请使用 r.raise_for_status() 或者检查 r.status_code 是否和你的期望相同
r.encoding = r.apparent_encoding # 找出 Requests 使用了什么编码,并且能够使用r.encoding 属性来改变它
return r.text
except:
return ''
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, 'html.parser') # 指定Beautiful的解析器为“html.parser”
try:
titleNode = soup.find('h3', class_='post-title')
utitle = titleNode.getText()
except:
utitle = '没有标题'
print('{0:^40}'.format(utitle))
for tr in soup.find('tbody').children: # 返回一个上述列表的迭代器,也只有子节点
if isinstance(tr, bs4.element.Tag): # Tag类对象都有两个属性,name和attrs
tds = tr('td')
ulist.append([tds[0].string, tds[1].string, tds[2].string, tds[3].string])
def printUnivList(ulist, num):
# {0:^10}中的0是一个序号,表示格式化输出的第0个字符,依次累加;
# {0:^10}中的10表示输出宽度约束为10个字符;
# {0:^10}中的^表示输出时居中对齐,若宽度小于字符串的实际宽度,以实际宽度输出
tplt = '{0:^9}\t\t{1:^9}\t\t{2:^10}\t{3:^9}'
print(tplt.format('排名', '学校名称', '省市', '总分')) # 表头的后两个元素的槽宽度进行调整才对齐
for i in range(num):
u = ulist[i]
print('{0:^10}\t{1:{4}^10}\t{2:^10}\t{3:^10}'.format(u[0], u[1], u[2], u[3], chr(12288))) # 中文空白字符
def main():
uinfo = []
uhead = []
Year = '2018'
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming' + Year + '.html'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20)
main()