python爬虫第六节:“中国大学排名”定向爬虫

功能描述:
1.输入:大学排名的 URL 链接
2.输出:大学排名信息的品目输出(排名,大学名称,总分)
3.定向爬虫:仅对输入 URL 进行爬取,不扩展爬取其他 URL
http://www.zuihaodaxue.com/robots.txt 查看robots协议:发现404 ,说明没有爬取限制

# 实现步骤:

 

# Code:
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):# 新引入bs4
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string]) # 新增字段:大学排名、名字、分数

def printUnivList(ulist,num):
    print( "{:^10}\t{:^6}\t{:^10}".format("排名","学校","分数") )
    for i in range(num):
        u = ulist[i]
        print( "{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20) # 20 univs

main()


# 优化:实现文本对齐,采用中文字符的空格chr(12288) 填充
def printUnivList2(ulist,num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print( tplt.format("排名","学校","分数",chr(12288)))
    for i in range(num):
        u = ulist[i]
        print( tplt.format(u[0],u[1],u[2],chr(12288)) )
        

 

# 改进:
import requests
import re
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):# 新引入bs4
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string, tds[3].string]) # 新增字段:大学排名、名字、省份、分数

def printUnivList(ulist,num):
    print( "{:^8}\t{:^16}\t{:^10}\t{:^9}".format("排名","学校","省份","分数",chr(12288))) # 在IDE里面显示总是调不出对齐,writeTxt里面可以对齐
    for i in range(num):
        u = ulist[i]
        print( "{:^8}\t{:^14}\t{:^10}\t{:^10}".format(u[0],u[1],u[2],u[3],chr(12288)))


def writeTxt(ulist,num):
    fb = open('中国大学排名.txt', 'w', encoding='utf-8')
    fb.write( "{:^8}\t{:^16}\t{:^10}\t{:^9}".format("排名","学校","省份","分数",chr(12288)) + '\n')# 间距经过不断调试最终确定
    for i in range(num):
        u = ulist[i]
        fb.write("{:^8}\t{:^14}\t{:^10}\t{:^10}".format(u[0],u[1],u[2],u[3],chr(12288))  + '\n')
    fb.close()

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,30)  # IDE 打印
    writeTxt(uinfo,30)       # 写入文件
    
main()

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值