根据http://www.zuihaodaxue.cn/zuihaodaxuedaxuepaiming2016.html来获取310国内大学的排名并将其打印出来。
大学排名爬虫的构建需要三个步骤
1.从网络上获取网页内容
2.分析网页内容并提取有用数据到恰当的数据结构中
3.利用数据结构暂时或进一步处理数据
利用request库爬去网页内容,使用beautifulsoup4库分析网页中的数据,提取相关信息。
可以看到数据被一个个 <tr></tr>
封装起来,每列内容用<td></td>
表示
首先需要找到<tr></tr>
标签,并遍历其中的每个<td></td>
获取其中的数据
allUniv = [] #存储全部表格数据,二维列表
def fillUnivList(soup):
data = soup.find_all('tr')#找到所有tr标签
for tr in data:
ltd = tr.find_all('td')#在每个tr标签中找到所有td标签
if len(ltd)==0:
continue
singleUniv =[]
for td in ltd:
singleUniv.append(td.string)#提取td标签中的所有信息
allUniv.append(singleUniv)
修改完善后的代码:
import requests
from bs4 import BeautifulSoup
allUniv = [] #存储全部表格数据,二维列表
def getHTMLText(url):
try:
r= requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = 'utf-8'
return r.text
except:
return ""
def fillUnivList(soup):
data = soup.find_all('tr')#找到所有tr标签
for tr in data:
ltd = tr.find_all('td')#在每个tr标签中找到所有td标签
if len(ltd)==0:
continue
singleUniv =[]
for td in ltd:
singleUniv.append(td.string)#提取td标签中的所有信息
allUniv.append(singleUniv)
def printUnivList(num):
print("{1:^2}{2:{0}^10}{3:{0}^6}{4:{0}^4}{5:{0}^10}".format(chr(12288),"排名","学校名称","省市","总分","培养规模"))
for i in range(num):
u=allUniv[i]
print("{1:^4}{2:{0}^10}{3:{0}^5}{4:{0}^8.1f}{5:{0}^10}".format(chr(12288),u[0],u[1],u[2],eval(u[3]),u[6]))
def main(num):
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
html = getHTMLText(url)
soup = BeautifulSoup(html, "html.parser")
fillUnivList(soup)
printUnivList(num)
main(10)
运行一下查看结果
这里我们看到中国前十的大学,
修改main()我们可以看到更多大学的排名。