2020年中国大学排名定向爬虫

（一）功能描述

输入：大学排名URL连接
输出：大学排名信息屏幕输出（排名、大学名称、评分）
技术路线：requests-bs4
定向爬虫：只对指定URL进行爬取，不扩展爬取

（二）程序的结构设计

步骤1：从网络上获取大学排名网页内容

    getHTMLText()

步骤2：提取网页内容中信息到合适的数据结构中

    fillUnivList()

步骤3：利用数据结构展示并输出结果

    printUnivList()

程序代码

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):   #获取网页信息
    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):    #将获取信息放入一个列表ulist中
    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[4].string])

def printUnivList(ulist,num):    #将列表中num个信息打印出来
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名", "学校名称", "评分", chr(12288)))   #使用中文字符空格更加美观
    #print("{:^10}\t{:^10}\t{:^10}".format("排名","学校名称","评分"),chr(12888))  #原来使用的英文空格字符
    for i in range(num):
        u  = ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))

def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.com/zuihaodaxuepaiming2020.html'
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,100)   #100所大学
main()

运行截图：

总结

采用requests-bs4路线实现了中国大学排名定向爬虫，对中英文混排输出问题进行了优化。

附页

附上本实例爬取的URL地址：http://www.zuihaodaxue.com/zuihaodaxuepaiming2020.html
有兴趣的读者可以自行尝试并爬取另外信息的功能。