本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,,版权归原作者所有,如有问题请及时联系我们以作处理
作者:大聪明亿泰
PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
案例来源:北京理工大学网络课程《python网络爬虫与信息获取》
在实际上手操作中,发现视频中演示的代码无法完整运行,经个人探索后,记录如下
首先附上课程演示中提供的代码:
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r=requests.get(url,timeout=30)
r.raise_for_status()
r.encoding=r.apparent_encoding
return r.text
except:
return "";
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,tds[2].string])
def printUnivList(ulist,num):
print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
for i in range(num):
u=ulist[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))
def main():
uinfo=[];
url='http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
html=getHTMLText(url)
fillUnivList(uinfo,html)
printUnivList(uinfo,20)
main()
首先案例中的网址已经有些变更,打开后实际跳转至https://www.shanghairanking.cn/rankings/bcur/2020
另外如果完全复制上述代码运行,会发现变量命名错误,其uinfo和ulist应该统一成一个变量
修改上述问题后,执行代码会发现提取关键信息的语句也失效了,抓取不到信息
重新分析网页源码,可以看到所有学校信息放在tbody下
抽取其中的一个信息看一下:
我们需要的信息现在在第1、2、5的位置,其中清华大学在子节点a中,直接tr('td')[1].string
无法获取,要改成tr('td')[1].a.string
排名和总分直接string也是获取不到的,这里我想到的办法是用手动转化成字符串
综上,获取信息的关键代码我修改成了:
ulist.append([str(tr('td')[0].contents[0]).strip(), tds[1].a.string, str(tr('td')[4].contents[0]).strip()])
完整代码如下
"""实例1,中国大学排名"""
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillUnivLIst(ulist, html):
soup = bs4.BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children:
#检测tag类型,过滤非tag类型标签
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
ulist.append([str(tr('td')[0].contents[0]).strip(), tds[1].a.string, str(tr('td')[4].contents[0]).strip()])
return ulist
def printUnivList(ulist, num):
#tplt = "{0:^10}\t{1:{3}^6}\t{2:^10}"
print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
# print(tplt.format("排名","学校名称","总分",chr=(12288)))
for i in range(num):
u=ulist[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))
# print(tplt.format(u[0],u[1],u[2],chr=(12288)))
def main():
ulist = []
url = 'https://www.shanghairanking.cn/rankings/bcur/2020'
html = getHTMLText(url)
ulist = fillUnivLIst(ulist, html)
printUnivList(ulist, 20)
main()
运行结果如下:
最后,至于排版的优化问题,视频中提供的方案我试了下报错了,问题暂时没有解决,暂且搁置往后有空再说吧