(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。