获取中国大学排名相关信息的爬虫实例

大学排名网址如下：

【软科排名】2023年最新软科中国大学排名|中国最好大学排名

网页内容信息

大学排名爬虫的构建需要三个重要步骤：

第一，从网络上获取网页内容；

第二，分析网页内容并提取有用数据到恰当的数据结构中；

第三，利用数据结构展示或进一步处理数据。

由于大学排名是一个典型的二维数据，因此，采用二维列表存储该排名所涉及的表单数据。

查找CSS 选择器，用于定位 HTML 元素

相关python代码：

# @Time: 2023/6/7 17:11
# @Author:
# @File: 实验八网络爬虫.py
# @software: PyCharm
import requests
import bs4
import csv

# 获取网页内容
def get_html(url):
    response = requests.get(
        url=url,
        headers={
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36'
        }
    )
    response.encoding = response.apparent_encoding
    html_text = response.text
    return html_text

# 提取有用数据到恰当的数据结构中
def parse_html(html_text):
    soup = bs4.BeautifulSoup(html_text, "html.parser")
    table = soup.select("table[class='rk-table']")[0]
    tbody = table.select("tbody")[0]
    rows = tbody.find_all("tr")
    data = []
    for row in rows:
        cols = row.find_all("td")
        rank = cols[0].get_text().strip()
        name = cols[1].select_one("div.univname div:nth-child(1) a").get_text().strip()
        # type_elem = cols[1].select_one("div.univtype")
        level = cols[2].get_text().strip()
        score = cols[3].get_text().strip()

        total_score = cols[4].get_text().strip()
        educational_level = cols[5].get_text().strip()
        data.append([rank, name, level, score, total_score, educational_level])
    return data

# 创建 csv 文件并写入表头
with open('中国大学排名.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)

# 将数据写入 csv 文件，并打印输出每个学校的信息
def write_to_csv(data):
    with open('中国大学排名.csv', 'a', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        writer.writerow(['排名', '学校名称', '省市' ,'类型', '总分', '办学层次'])
        print("{:<5s}{:<13s}{:<10s}{:<10s}{:<10s}{:<10s}".format('排名', '学校名称', '省市' ,'类型', '总分', '办学层次'))
        for item in data:
            writer.writerow(item)
            print("{:<5s}{:<13s}{:<10s}{:<10s}{:<10s}{:<10s}".format(item[0], item[1], item[2], item[3], item[4], item[5]))

def main():
    # 从网络上获取网页内容
    url = "https://www.shanghairanking.cn/rankings/bcur/2023"
    html_text = get_html(url)

    # 分析网页内容并提取有用数据到恰当的数据结构中
    data = parse_html(html_text)

    # 将数据写入 csv 文件，并打印输出每个学校的信息
    write_to_csv(data)

if __name__ == '__main__':
    main()

爬取排名前30所大学信息，并生成csv文件

打印输出内容：

 csv文件内容：