目录
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()