Python3爬虫爬取中国大学排名数据并写入MySQL数据库

注意： 这篇文章已过时，大学排名数据源失效，请查看最新的2.0版本

测试环境

• Python 3.6.4
• PyCharm 2017
• MySQL Community Server 5.7.23

依赖包

• beautifulsoup4 == 4.6.3
• requests == 2.19.1
• pymysql == 0.9.2

MySQL数据库准备

mysql py@localhost:(none)> USE spider;
mysql py@localhost:spider> CREATE TABLE university (id INT NOT NULL AUTO_INCREMENT
                        -> ,name VARCHAR(30) NOT NULL,address VARCHAR(20) NOT NULL
                        -> ,score FLOAT NOT NULL,PRIMARY KEY(id));
-- 在spider数据库中新建一个university表，并设置id,name,address,score字段

注意设置MySQL的编码为UTF-8

源代码

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
#   @Version: v1.0
#   @License: Apache Licence 2.0
#   @File Name: CrawUnivRankingC.py
#   @Description: 爬取2018年中国大学排名并写入MySQL数据库
#   @Author: pengshp <pengshp3@outlook.com>
#   @Date: 2018/10/17 0017
# &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

import requests
from bs4 import BeautifulSoup
import bs4
import pymysql


def getHTMLText(url):
    """获取网页HTML"""
    kv = {'User-Agent': 'Mozilla/5.0'}
    try:
        r = requests.get(url, headers=kv, timeout=20)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except requests.HTTPError:
        print("爬取异常")


def fillUnivList(ulist, html):
    """获取HTML中的数据信息"""
    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, tds[3].string])


def printUnivList(ulist, num):
    """打印测试"""
    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], u[3]))


def writeDB(ulist, num):
    """写入MySQL数据库"""
    # host,user,password,database
    db = pymysql.connect("192.168.10.30", "py", "xxxxxxxx", "spider")
    cur = db.cursor()
    try:
        for i in range(num):
            u = ulist[i]
            sql = "INSERT INTO `university` (name,address,score) VALUES ('%s','%s','%1.f')" \
                  % (str(u[1]), str(u[2]), float(u[3]))
            cur.execute(sql)
        db.commit()
    except:
        db.rollback()  # 若发生错误则回滚
    cur.close()
    db.close()


def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    writeDB(uinfo, 500)  # 写入前500名的数据
    print("数据写入成功！")
    # printUnivList(uinfo, num=20)


if __name__ == '__main__':
    main()

查看MySQL中的数据

mysql py@localhost:spider> SELECT * FROM university WHERE id <= 10;

前十有我的学校，O(∩_∩)O哈哈~
数据来源为上海交通大学发布的中国最好大学排行榜。

参考

1、最好大学网：http://www.zuihaodaxue.cn
2、pymysql文档：https://pymysql.readthedocs.io/en/latest/index.html