中国大学排名定向爬虫
内容是根据中国大学嵩天老师的python网络爬虫与信息提取课程进行的
这个网站没有rebot协议
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,大学名称,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。
程序的结构设计
步骤1:从网络上获取大学排名网页内容 http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html
步骤2:提取网页内容中信息到合适的数据结构
步骤3:利用数据结构展示并输出结果
代码 v1.0.py
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r = requests.get(url, timeout=30) # 获取url信息,设置timemout时间
r.raise_for_status() # 产生异常信息,判断是否连接成功
r.encoding = r.apparent_encoding # 修改编码
return r.text # 网页信息返回给程序其他部分
except:
return "" # 如果出现,错误返回空字符
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody'): # url中大学信息在tbody标签中,查找tbody
if isinstance(tr, bs4.element.Tag): # 检查tr标签的类型,所以需要引入bs4库
tds = tr('td') # tr的td标签存为tds
ulist.append([tds[0].string, tds[1].string, tds[2].string]) # 增加需要的字段
def printUnivList(ulist, num):
print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分")) # 表头,用format实现
for i in range(num):
u = ulist[i] # 第i所大学用 u 代替
print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2])) # 打印出需要的相关信息
def main():
uinfo = [] # 大学信息加到一个列表中
url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html" # 大学排名的链接
html = getHTMLText(url) # 将url内容转换为HTML
fillUnivList(uinfo, html) # 将HTML提取后的信息放在uinfo变量中
printUnivList(uinfo, 20) # 打印大学信息,相关的20 unvis
main()
优化:
虽然实现了输出,但排版并不整齐。
中文对齐的原因: 当中文字符宽度不够时,采用西文字符填充;中西文字符占用宽度不同导致的。
解决方法:采用中文字符的空格填充,使用chr(12288)
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'):
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
ulist.append([tds[0].string, tds[1].string, tds[2].string])
def printUnivList(ulist, num):
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)))
def main():
uinfo = []
url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 unvis
main()