《Python网络爬虫与信息提取》第二周 网络爬虫之提取 学习笔记（三）“中国大学排名定向爬虫”实例

目录

1、“中国大学排名定向爬虫”实例介绍

（1）最好大学网

（2）功能描述

（3）程序的结构设计

2、“中国大学排名定向爬虫”实例编写

3、“中国大学排名定向爬虫”实例优化

---

1、“中国大学排名定向爬虫”实例介绍

（1）最好大学网

http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html。

（2）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。

（3）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：fillUnivList()。

步骤3：利用数据结构展示并输出结果：printUnivList()。

2、“中国大学排名定向爬虫”实例编写

# “中国大学排名定向爬虫”实例编写
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').children:
        if isinstance(tr, bs4.element.Tag):  # 检测tr的类型是否是标签Tag。
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[3].string])


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


def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)  # 20 univs


main()

备注：原来是tds[2].string，显示的是“省市”；故更改为tds[3].string，显示的是“总分”。

3、“中国大学排名定向爬虫”实例优化

中文对齐问题的原因：

:	<填充>	<对齐>	<宽度>	,	<精度>	<类型>
引号 符号	用于填充 的 单 个字符	<左对齐 >右对齐 ^居中对齐	槽的设定输 出宽度	数字的千位分 隔符适用于整 数和浮点数	浮点数小数部分 的精度或字符串 的最大输出长度	整数类型 b,c,d,o,x,X 浮点数类型 e,E,f,%

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。

中文对齐问题的解决：

采用中文字符的空格填充：chr(12288)。

# “中国大学排名定向爬虫”实例优化
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').children:
        if isinstance(tr, bs4.element.Tag):  # 检测tr的类型是否是标签Tag。
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[3].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.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)  # 20 univs


main()