前面学了如何使用beautifulsoup,现在来尝试简单的爬取:中国大学排名
一、准备
查看Robots协议:robots协议
功能描述
输入:大学排名的url链接
输出:大学排名信息(排名,大学名称,总分)
实现思路
- 从网页上获取HTML内容
- 提取HTML内容中的有用信息到合适的数据结构
- 利用数据结构展示输出结果
程序框架
- 从网络上获取大学排名网页内容:getHTMLText()
- 提取网页中信息到合适的数据结构:fillUnivList()
- 利用数据结构展示结果:printUnivList()
二、爬取过程
代码框架
import requests, bs4
from bs4 import BeautifulSoup
def getHTMLText(url):
return ""
def fillUnivList(ulist, html):
pass
def printUnivList(ulist, num):
pass
def main():
uinfo = []
url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 10)
main()
获取HTML的函数
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
提取信息并保存
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find("tbody").children:
# 若tr类型不是bs4定义的标签,则过滤掉
if isinstance(tr, bs4.element.Tag):
tds = tr("td")
ulist.append([tds[0].string, tds[1].string, tds[2].string])
输出排名信息
def printUnivList(ulist, num):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名", "学校名称", "省份", chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], chr(12288)))
这里使用了 format
函数设置输出格式,这个菜菜还不懂
三、爬取结果
输出结果如图:
排名 学校名称 省份
1 清华大学 北京
2 北京大学 北京
3 浙江大学 浙江
4 上海交通大学 上海
5 复旦大学 上海
6 中国科学技术大学 安徽
7 华中科技大学 湖北
7 南京大学 江苏
9 中山大学 广东
10 哈尔滨工业大学 黑龙江
第六篇python爬虫学习笔记完结啦 cheers ??
参考内容:https://www.bilibili.com/video/av9784617/?p=33