"中国大学排名"定向爬虫示例
课程地址:http://open.163.com/movie/2019/5/G/6/MEEMCM1NP_MEEU3UFG6.html
#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(排名,大学名称,总分)
#使用技术:requests库和bs4
#定向爬虫:仅对输入URL进行爬取,不扩展爬取
#是否可以实现:查看网页源代码判断是否是静态页面
#查看robots协议:网页不存在(无robots协议)
'''
程序的结构设计:
1、从网络上获取大学排名网页内容——getHTMLText();
2、提取网页内容中信息到合适的数据结构——fillUnivList();
3、利用数据结构展示并输出结果——printUnivList()
'''
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:
#过滤非标签信息
if isinstance(tr,bs4.element.Tag):
tds =tr('td')#查询
ulist.append([tds[0].string,tds[1].string,tds[3].string])
#num指打印多少个元素出来
def printUnivList(ulist,num):
#格式化输出
'''
中文字符宽度不够,系统用英文进行填充,导致对齐出现问题
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]))
采用中文字符的空格填充chr(12288)
'''
#优化后的格式化输出
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)))
if __name__ == '__main__':
uinfo=[]#大学信息列表
url="http://www.zuihaodaxue.com/zuihaodaxuepaiming2016.html"
html=getHTMLText(url)
fillUnivList(uinfo,html)
printUnivList(uinfo,20)