中国大学排名的爬取

实例介绍

功能描述
输入：大学排名的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：进队输入URL进行爬取，不扩展爬取

程序的结构设计
步骤一：从网络上获取页面信息
getHTMLText()
步骤二：提取网页内容中信息到合适的数据结构
fillUnivList()
步骤三：利用数据结构展示并输出结果
printUnivList()

代码实现

import requests
from bs4 import BeautifulSoup
import bs4

#从网络上获取页面信息
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""



#提取网页内容中信息到合适的数据结构
def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        #过滤掉非标签的其他信息，用isinstance()对类型进行判断
        if isinstance(tr,bs4.element.Tag):
            tds=tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[2].string])




#利用数据结构展示并输出结果
def printUnivList(ulist,num):
    #实现表头打印
    print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","分数"))
    for i in range(num):
        u=ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))



def main():
    unifo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html=getHTMLText(url)
    fillUnivList(unifo,html)
    printUnivList(unifo,20)#打印20所学校的信息
main()

实例优化

format方法的问题

中文字符不够时，默认英文字符填充，会造成对齐问题。

import requests
from bs4 import BeautifulSoup
import bs4

#从网络上获取页面信息
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""



#提取网页内容中信息到合适的数据结构
def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        #过滤掉非标签的其他信息，用isinstance()对类型进行判断
        if isinstance(tr,bs4.element.Tag):
            tds=tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[2].string])




#利用数据结构展示并输出结果
def printUnivList(ulist,num):
    tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
    #实现表头打印
    print(tplt.format("排名","学校名称","省市",chr(12288)))
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))



def main():
    unifo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html=getHTMLText(url)
    fillUnivList(unifo,html)
    printUnivList(unifo,20)#打印20所学校的信息
main()