文章截圖均來自中國大學mooc Python網絡爬蟲與信息提取的教程,以上僅作爲我的個人學習筆記。
下面是教程鏈接:https://www.icourse163.org/learn/BIT-1001870001?tid=1450316449#/learn/content?type=detail&id=1214620493&cid=1218397635&replay=true
中國最好大學(科軟2020)
http://www.zuihaodaxue.com/zuihaodaxuepaiming-zongbang-2020.html
功能:輸入網站的url、輸出排名信息
技術路線:requests+bs4 庫來實現
定向爬蟲:只對於給定的url網頁進行爬取不擴張爬取其他的url
非定向爬蟲:可以從某一個url爬取更多url的信息
定向爬蟲的可行性分析:判斷我們需要提取的信息是不是包含在html頁面中,部分信息可能通過Javascript等腳本語言生成。
動態腳本信息的爬取:這兩個庫完成不了,後續會用到其他的方法
過程:
- 先看下源碼:要查詢的數據是不是在html頁面的源碼中
- 看看是否有對應的Robots協議:www.zuihaodaxue.cn/robots.txt :發現網頁不存在,說明並沒有相關的爬蟲限制
- 功能描述:
- 程序結構設計:採取二維列表
步驟1:getHTMLText() 、步驟2:fillUnivList() 、步驟3:printUnivList()
示例編寫:
觀察封裝信息:tbody標籤裏面有多個tr標籤各自對應一個大學、tr標籤內部有包含了多個td標籤各自對應大學基本信息。
可以使用遍歷查找方法來進行獲得,實際上我們的標籤中可能出現字符串類型,所以做好事要過濾掉。
格式化輸出:
#CrawUnivRankingA.py
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):
tds = tr('td')
ulist.append([tds[0].string, tds[1].string, tds[4].string])
def printUnivList(ulist, num):
print("{:^10}\t{:^6}\t{:^10}".format("排名","學校名稱","總分"))
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.com/zuihaodaxuepaiming-zongbang-2020.html'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univs
main()
實例優化:字符填充有問題,採用中文字符填充
#CrawUnivRankingB.py
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):
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","學校名稱","總分",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.com/zuihaodaxuepaiming-zongbang-2020.html'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univs
main()
單元小結: