Pythgon——中国大学排名定向爬虫

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

技术路线：requests + bs4

先确定可能性，就是确定我们要提取的信息是否写在了HTML页面中，如果是动态的信息是没法定向爬取的

还要看这个网站的robots协议

具体步骤：

步骤1：从网络上获取大学排名网页内容     getHTMLText()

步骤2：提取网页内容中信息到合适的数据结构   fillUnivList()

步骤3：利用数据结构展示并输出结果    printUnivList()

import requests
from bs4 import BeautifulSoup
import bs4;
 
# 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;#修改编码方式
        return r.text;
        
    except:
        return "";
 
 
# 提取网页内容中信息到合适的数据结构
def fillUniversityList(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, tds[3].string]);
 
 
# 利用数据结构展示并输出结果
def printUniversityList(ulist, num):
    # {}:表示用第几项填充
    tplt = "{0:<5}\t{1:{4}^10}\t{2:{4}^10}\t{3:^5}";
    print(tplt.format("排名", "学校名称", "地址", "总分", chr(12288)));
    for i in range(num):
        list = ulist[i];
        print(tplt.format(list[0], list[1], list[2], list[3], chr(12288)));
    
    
def main():
    # 获取网页源代码信息
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html";
    html = getHtmlText(url);
    
    # 通过查看网页源代码，发现大学的排名在一个table表格里面，每一个大学为一行tr
    ulist = [];
    fillUniversityList(ulist, html);
    
    # 格式化输出大学排名
    printUniversityList(ulist, 20);
 
main()

  这里的中文对齐不是很规范，所以这样我们可以有进阶版（中文输出居中对齐）

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[3].string])
 
def printUnivList(ulist, num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校名称","总分",chr(12288)))
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))
 
def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20 univs
main()