Python爬虫实例

'''
中国大学排名项目
功能描述
输入：大学排名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：仅对输入URL进行爬取，不扩展爬取
'''

'''
程序的结构设计
步骤1：从网络上获取大学排名网页内容
步骤2：提取网页内容中信息到合适的数据结构（二维列表）
步骤3：利用数据结构展示并输出结果
'''
import re
from bs4 import BeautifulSoup
import bs4
import requests

#从网络上获取大学排名网页内容
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:
        if isinstance(tr,bs4.element.Tag):
            tds = tr("td")
            uList.append([tds[0]].string,tds[1].string)
    pass

#利用数据结构展示并输出结果
def printUnivList(uList,num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名","学校","分数"))
    for i in range(num):
        u = uList[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))
    print("Suc"+str(num))

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2016.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)# 20 univs

'''
优化
中文对齐问题的原因
采用中文字符的空格填充chr(12288)

'''

'''
NumPy的随机数函数子库
NumPy的random子库
rand()
randn()
randint()
seed()

np.random的随机函数
uniform(low,high,size)
normal(loc,scale,size)
poisson(lam,size)

'''