《python网络爬虫与信息提取》学习笔记(三)

信息标记的三种形式及区别

1、XML
在这里插入图片描述
在这里插入图片描述
2、JSON
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
3、YAML
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

信息提取的一般方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述获取HTML页面中所包含的链接内容
在这里插入图片描述

基于bs4库的HTML内容查找方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

"中国大学排名定向爬虫"实例

实例编写:
在这里插入图片描述

import bs4
import requests
from bs4 import BeautifulSoup


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(uast, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            uast.append([tds[0].string, tds[1].string, tds[2].string])


def printUnivList(ugliest, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))
    for i in range(num):
        u = ugliest[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))


def main():
    ufo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
    html = getHTMLText(url)
    fillUnivList(ufo, html)
    print(ufo, 20)


main()

在这里插入图片描述
实例优化:
当中文字符宽度不够时,系统默认采用西文字符填充,存在中文输出对齐问题
采用中文字符的空格填充chr(12288)

import bs4
import requests
from bs4 import BeautifulSoup


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(uast, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            uast.append([tds[0].string, tds[1].string, tds[3].string])


def printUnivList(ugliest, num):
    print("{0:^10}\t{1:{3}^10}\t{2:^10}".format("排名", "学校名称", "总分", chr(12288)))
    for i in range(num):
        u = ugliest[i]
        print("{0:^10}\t{1:{3}^10}\t{2:^10}".format(u[0], u[1], u[2], chr(12288)))


def main():
    ufo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
    html = getHTMLText(url)
    fillUnivList(ufo, html)
    print(ufo, 20)


main()
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值