Python爬虫学习系列3

信息组织与提取方法

信息标记的种类

XML

JSON

YAML

三种信息标记的比较

基于bs4库的HTML内容查找方法

实例：提取HTML中的所有URL链接

以demo.html为例
思路：

1. 搜索到所有<a>标签
2. 解析<a>标签格式，提取href后面的内容

import requests
from bs4 import BeautifulSoup
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
for link in soup.find_all('a'):
    print(link.get('href'))

bs4库中的find_all()方法

实战：基于bs4库爬取大学排名

目标：爬取最好大学网中的软科中国最好大学排名2016网页中的排名信息（网址：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html）

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url)
        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])
    pass

def printUnivList(ulist, num):
    # print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
    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)))
        # print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20 univ

main()

最终的效果如下：

看完随手点个赞吧！可怜我到现在一个成就都没达成