欢迎关注 『Python』 系列,持续更新中
欢迎关注 『Python』 系列,持续更新中
爬取近5年的中国大学排行榜信息,
在python爬虫爬取2021中国大学排名实战【Python】(测试代码+api例程)
在python爬取近5年的中国大学排行榜信息【Python】(测试代码+api例程)
基础上完成,建议先观看前面的文章
API说明:
“%10s %10s %10s” % (“名称”, “分数”, “城市”)
让字符串占位10个位置,占位格式化输出
resp.encoding = ‘utf-8’
一定要加上这句编码格式设定为utf-8,否则会乱码。
不加编码格式会出现下图的情况:
name = tr.xpath(“./td[2]/div/div[2]/div[1]/div/div/a/text()”)[0].replace(" “, “”).replace(”\n", “”)
获取指定xpath节点的文本,取得列表第一项,replace格式化掉多于的空格和换行符
思路
- 导入库
import pandas as pd
import numpy as np
- 通过panda库把result列表转为DataFrame类型,并且设置行列的索引
result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))
- to_excel 导出为excel文件
result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))
print(result)
result.to_excel("爬取近5年的排行榜信息.xls")
-------下面是前面文章的步骤,如果看过可以跳过---------
这里先讲与上一文章的区别,就是从遍历一年的数据变成了访问多年的数据。
我们先观察一下2021年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2021
我们再观察一下2022年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2022
这里可以发现区别在于末尾的2021
变成了2022
-
所以我们只需要for循环,最近的5年,改变url的末尾年数,重复上一文章的爬取就可以了。
-
这里我们增加代码复用,封装一个函数
getYearData
输入年份year字符串格式
返回一个result数组
#输入年份year字符串格式
#返回一个result数组
def getYearData(year):
url = "https://www.shanghairanking.cn/rankings/bcur/"+year
resp = requests.get(url)# 拿到页面源代码
resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。
html = etree.HTML(resp.text)# 提取和解析数据
# 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr
# 某个学校的名字 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a
# 某个学校的分数 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]
# 某个学校的城市 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()
#拿到所有学校的数据集合,这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作
tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
result = []
for tr in tbody: # 每一个学校信息
ls = []
name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
ls.append(name)
ls.append(mark)
ls.append(city)
result.append(ls)
# print("%10s %10s %10s" % ("名称", "分数", "城市"))
# for i in result:
# print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出,这里后续可以继续优化,但是本题重点是爬虫,不再过度深究
return result
- 主代码业务逻辑部分
start_year=2016
end_year=2021
result=[]
for i in range(start_year,end_year+1):
result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组
- 导入必要的包
import requests
from lxml import etree
- 根据url获取页面源码并提取和解析数据(注意,这里一定要记得转化编码格式,否则会乱码!!!)
url = "https://www.shanghairanking.cn/rankings/bcur/2021"
resp = requests.get(url)# 拿到页面源代码
resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。
html = etree.HTML(resp.text)# 提取和解析数据
- 拿到所有学校的数据集合(这里末尾的tr[1]表示取第一个学校,改成tr后表示取所有的tr也就是取所有的学校),这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作
tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
- 取出信息并且装入result列表,二层列表嵌套
result = []
for tr in tbody: # 每一个学校信息
ls = []
name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
ls.append(name)
ls.append(mark)
ls.append(city)
result.append(ls)
注意事项
- 一定要加上这句编码格式设定为utf-8,否则会乱码。
- 使用复制完整的xpath路径,新手入门建议
完整代码
# @Time : 2022/5/18 22:38
# @Author : 南黎
# @FileName: 3爬取数据并存储在excel中,绘制图表.py
import requests
from lxml import etree
#输入年份year字符串格式
#返回一个result数组
def getYearData(year):
url = "https://www.shanghairanking.cn/rankings/bcur/"+year
resp = requests.get(url)# 拿到页面源代码
resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。
html = etree.HTML(resp.text)# 提取和解析数据
# 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr
# 某个学校的名字 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a
# 某个学校的分数 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]
# 某个学校的城市 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()
#拿到所有学校的数据集合,这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作
tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
result = []
for tr in tbody: # 每一个学校信息
ls = []
name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
ls.append(name)
ls.append(mark)
ls.append(city)
result.append(ls)
# print("%10s %10s %10s" % ("名称", "分数", "城市"))
# for i in result:
# print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出,这里后续可以继续优化,但是本题重点是爬虫,不再过度深究
return result
start_year=2017
end_year=2021
result=[]
for i in range(start_year,end_year+1):
result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组
import pandas as pd
import numpy as np
result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))
print(result)
result.to_excel("爬取近5年的排行榜信息.xls")
总结
大家喜欢的话,给个👍,点个关注!继续跟大家分享敲代码过程中遇到的问题!
版权声明:
发现你走远了@mzh原创作品,转载必须标注原文链接
Copyright 2022 mzh
Crated:2022-1-10
欢迎关注 『Python』 系列,持续更新中
欢迎关注 『Python』 系列,持续更新中
【Python安装第三方库一行命令永久提高速度】
【使用PyInstaller打包Python文件】
【更多内容敬请期待】