目录
前言
不久后要做大学宣讲,顺便捡一下爬虫的语法,就写了这个爬虫的代码。记录一下免得以后又忘了。
一、用到的python库
requests(爬虫基本库)
re(正则表达式库,在本文中也可用内置的find方法代替)
pygal(交互式画图库)
以上库均可用"pip install name"(name即上述库的名称)安装
如果用的是anaconda环境管理,将pip改为conda
二、准备工作
1.找个有近几年QS排名的网站
我这里找的是QS在中国的官网:世界大学排名 | QSChina(但说实话数据有点少,只有4年的)
2.找到数据
通过检查找到网络后点击完整榜单,捕获数据。
找一下后发现数据在这个网址中,复制URL。(还有要加上自己浏览器的User-Agent进行伪装)
注意:这里请求的方法是GET但爬虫时用requests.get()方法会报错,应该用requests.post()。
3.分析json结构
打红框的就是我们要的目标数据,其中uni除了学校名是中文,其余均英文字符。
所以可以用re的语法提取出来:
reg=re.compile('[\u4E00-\u9FA5]+')
这个是匹配中文字符的表达式。
(但因为有的学校的名称是以英文或其他语言呈现的,所以最好爬取海外知名院校和中国院校)
三、编写代码
# This is a py file to crawl the ranks of your university in QS.
import requests
import re
import pygal
def getJson(url):
r=requests.post(url,headers=headers).json()
return r
def parse(dict):
D={}
reg=re.compile('[\u4E00-\u9FA5]+')
# This line is to find the Chinese characters, so the university's name should be in Chinese, then you can get the QS rank of it.
for d in dict['data']:
try:
name=re.search(reg,d['uni']).group()
# If the uni name is in English, it will return None. Use the group() to None will get an error.
if name in uName:
D[name]=[int(d['overall_rank'])]
if len(D)==len(uName):
break
except:
pass
return D
def getuName():
s=input("请将你想查的大学名称用中文输入(中间用‘,’隔开):")
#, is the comma in Chinese
L=s.split(',')
return L
def darwLine():
line=pygal.Line()
for i in uName:
line.add(i,dataDict[i])
line.x_labels=year
line.y_title="QS排名"
line.x_title="年份"
line.title="近四年QS排名"
line.legend_at_bottom=True
line.render_to_file('learning scrapy\\crawl the ranks of QS\\查询结果.svg')
# Before you run this file, you should change the above line to your path.
def main():
global uName
uName=getuName()
for i in range(3,-1,-1):
if i==3:
global dataDict
dataDict=parse(getJson(url[i]))
else:
D=parse(getJson(url[i]))
for name in uName:
dataDict[name].append(D[name][0])
darwLine()
if __name__ == '__main__':
url=['https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2122636_indicators.txt',
'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/2057712_indicators.txt',
'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/914824_indicators.txt',
'https://www.qschina.cn/sites/default/files/qs-rankings-data/cn/397863_indicators.txt']
headers={
'user-agent': you need to add it
}
year=[2019,2020,2021,2022]
main()
四、结果呈现
最后将svg文件在浏览器中打开。
中国顶尖学府:
还有在武汉备受争议的华科武大之争:
(QS排名不完全代表教学水平高低,仅作参考)
总结
本文介绍了排名类爬虫流程,并附上了查询近四年QS排名的代码,欢迎大家在评论区交流。