一.Request方式
由于软科大学排名页面的特殊设置,无法通过掌握翻页时页面url的变化规律,可以通过爬取js文件得到所有数据。
接下来开始实践。通过拿到网页js文件,然后通过正则表达式提取出排名信息的方式,将所有大学排名抓取出来。具体步骤如下:
(1)右键点击检查(Chrome),来到控制面板,点击network,找到payload.js,双击找到请求头headers,便可以找到请求地址(Request URL)。
需要注意的是爬取的payload.js是包含排名数据的js文件还是包含大学详细信息的js文件,我们可以通过查看js文件即可判断。
可以从js文件看出,此js文件是电子科技大学的详细信息。需要重新在开发者工具找到符合的payload的js文件。
如果网页打开js文件出现乱码,可以在下载Edge浏览的插件。插件链接字符修改插件
查看正确s文件的信息。可以从下图看出湖南省province对应的属性值为‘m’,这个属性可以用来筛选湖南省的软科前10排名的大学。
前期的准备工作结束,直接给兄弟们上代码:
import requests
import re
import pandas as pd
#请求目标链接中请求数据
def get_data(url,headers):
try:
response = requests.get(url,headers=headers)
response.encoding = 'utf-8'
data = str(response.text)#将获取的数据转换为字符串
except:
print('加载数据失败')
return data
#提取关键信息
def parse_data(data):
name = (re.findall('univNameCn:"(.*?)".*?', str(data), re.S))#利用正则表达式提取需要的文本
score = (re.findall('score:(.*?),.*?', str(data), re.S))
province = (re.findall('province:(.*?),.*?', str(data), re.S))
result = []
for i in range(len(name)):#将获取的数据合并
if province[i]=='m':
result.append([i+1,name[i],score[i],province[i]])
return result
#输出结果
def print_data(detail,num):#num表示需要输出的结果数
tplt = "{0:^10}\t{1:^10}\t{2:^10}"
print(tplt.format('排名', '学校名', '得分','地区'))
for item in range(num):
temp =detail[item]
print(tplt.format(temp[0],temp[1],temp[2]),temp[3])
#将获取的结果保存到Excel中
def save_excel(detail,columns):
file = pd.DataFrame(detail,columns=columns)
#file = pd.DataFrame(detail)
#print(file["地区"=='m'])
#file=file[file["地区"=='m']]
file.head(10).to_csv('湖南软科大学排名.csv',index=False,encoding="utf_8_sig")
def main():
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"
}
url = 'https://www.shanghairanking.cn/_nuxt/static/1699861510/rankings/bcsr/2023/payload.js'
columns = ['排名','学校名称','软科总得分','地区']
row_data = get_data(url,headers)
rank = parse_data(row_data)
#print_data(rank,591)#输出前300条数据
save_excel(rank,columns)
if __name__=="__main__":
main()
爬取结果:
至此,Request方式按省份爬取结束。
二.BeautifulSoup方式
使用Beautiful方式属于定向爬取,可以通过爬取html网页的<body /body>下的内容定向爬取特定位置的数据。
步骤如下。
1.首先查看网页的源代码,可以看到要定向的页面位置都在<tbody>,<tr>,<td>标签里,通过爬取这三个标签得到所需数据。
2.设计request请求代码和BeautifulSoup查找代码,先查找tbody标签,在查找tr和td。代码如下:
4.打印预期效果。
5.如果需要按省份爬取,将代码中 #if tds[2].text.strip()=='湖南':去掉。
6.BeautifulSoup完整代码
import requests
from bs4 import BeautifulSoup
import bs4
import pandas as pd
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').children:
if isinstance(tr, bs4.element.Tag):
tds = tr('td')
#if tds[2].text.strip()=='湖南':
ulist.append([tds[0].text.strip(),tds[1].text.strip(),tds[2].text.strip(),tds[4].text.strip()])
def printUnivList(ulist, num):
tplt="{0:^10}\t{1:{3}^8}\t{2:^10}"
print("{0:^8}\t{1:{3}^8}\t{2:^8}".format("排名","学校名称","总分", chr(12288)))
#print(ulist)
df = pd.DataFrame(ulist)
names=['排名','学校名称','地区','总分']
df.columns=names
df.drop(['地区'], axis=1)
df.head(10).to_csv("rank.csv", encoding="utf_8_sig")
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], chr(12288)))
def main():
uinfo = []
url = "https://www.shanghairanking.cn/rankings/bcur/202311"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 10)
main()
三.总结
Request方式和BeautifulSoup方式各有优点,reques方式找js文件耗时,BeautifulSoup需要查看网页源代码,定制爬取方案。BeautifulSoup方式还有一个不足之处,如果网页翻页url不变,就很难爬取多页数据,通常的解决方法是打开开发者工具,查看Header是否有page等响应。
以此次爬取网页来看,没有类似这种响应,所以BeautifulSoup方式只能爬取第一页的数据。当然还可以通过Xpath或自动化测试工具selenium模拟浏览器行为把数据提取出来。
最后,希望对各位读者有帮忙,一键三连哦!