爬虫（5）—— 获取中国大学排名

爬虫案例视频讲解：
视频教学

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、总分）
技术路线：requests、bs4
定向爬虫：仅对输入url进行爬取，不扩展爬取

程序结构设计
步骤1：从网络上获取大学排名网页内容
getHTMLText()

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''

步骤2：提取网页内容中信息到合适的数据结构
finallUnivList()
该步骤是整个案例中的核心

分析：
1、从图片中可以看到关于大学排名的内容都存在于<tbody>标签中，所以先获取<tbody>标
2、每一所大学又都存在于<tr>标签中的<td>标签中，然后再获取<td>标签
3、将非标签内容过滤掉
大体意思就是这样，详细分析再视频中

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, 'html.parser')
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):    # 过滤掉非标签的信息
            tds = tr.find_all('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])

步骤3：利用数据结构展示并输出结果
printUnivList()

def printUnivList(ulist, num):
    # 打印表头，并处理中英文对齐问题
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名", "学校名称", "总分", chr(12288)))
    # 输出具体信息
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))

完整代码

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):    # 过滤掉非标签的信息
            tds = tr.find_all('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])


def printUnivList(ulist, num):
    # 打印表头，并处理中英文对齐问题
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名", "学校名称", "总分", chr(12288)))
    # 输出具体信息
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))


def main():
    uinfo = []          # 存放大学信息
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)  # 输出排名前20的学习信息


main()

中英文对齐问题
点此查看