Python3.6——"中国大学排名定向爬虫"实例介绍

最近在学习嵩天老师在中国大学MOOC中开设的《Python网络爬虫与信息提取》网络课程。非常感谢嵩天老师精彩的讲解，嵩天讲课非常细致，辅以一定的实例，知识点讲解很透彻，一路跟下来，感觉学到不少东西。

在《"中国大学排名定向爬虫"实例介绍》这节课程中，记录笔记如下：

1、程序总体设计

1）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

2）程序结构设计：

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：利用数据结构展示输出结果 printUnivList()

通过查看url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html' 网页源代码，可以发现如信息：

<tbody>...</tbody>标签中包含了中国最好大学排名信息
<tbody>...</tbody>标签的平行子节点<tr>...</tr>标签中包含了各大学信息
<tr>...</tr>标签的平行子节点<td>...</td>标签中包含了各大学信息详尽信息，如大学排名、名称、地区、总分等信息。

也就是：

<tbody class="hidden_zhpm" style="text-align:center;">
	<tr class="alt">
		<td>1
		<td><div align="left">清华大学</div></td>
		<td>北京</td>
		<td>94.0 </td>
		<td class="hidden-xs need-hidden indicator5">100.0 </td>
		<td class="hidden-xs need-hidden indicator6" style="display:none;">97.70%</td>
		<td class="hidden-xs need-hidden indicator7" style="display:none;">40938</td>
		<td class="hidden-xs need-hidden indicator8" style="display:none;">1.381</td>
		<td class="hidden-xs need-hidden indicator9" style="display:none;">1373</td>
		<td class="hidden-xs need-hidden indicator10" style="display:none;">111</td>
		<td class="hidden-xs need-hidden indicator11" style="display:none;">1263428</td>
		<td class="hidden-xs need-hidden indicator12" style="display:none;">613524</td>
		<td class="hidden-xs need-hidden indicator13" style="display:none;">7.04%</td>
	</tr>
	.
	.
	.
</tbody>

2、程序代码编写

1）全代码如下：

import requests
from bs4 import BeautifulSoup
import bs4

# 获取网页信息的通用框架
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""
    
#填充列表
def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        # 检查网页代码可以发现数据都储存在tboyd标签中，这里需要对tbody的儿子节点进行遍历
        if isinstance(tr, bs4.element.Tag):
             # 检测标签类型，如果不是bs4库支持的Tag类型，就过滤掉，这里需要先导入bs4库
            tds = tr('td') #等价于tr.find_all("td") 
            # 解析出tr标签中的td标签后，将其储存在列表tds中
            ulist.append([tds[0].string, tds[1].string, tds[3].string])
            # 我们需要的是排名、学校名称和总分
            
            
# 格式化后，输出列表数据
def printUnivList(ulist, num):
    tplt = '{:^10}\t{:^10}\t{:^10}'
    # 定义输出模板为变量tplt，\t为横向制表符，^为居中对齐，10为每列的宽度
    print(tplt.format("排名","学校名称","总分"))
    # format()方法做格式化输出
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2]))
     
def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html'
    html = getHTMLText(url)
    soup = BeautifulSoup(html, "html.parser")
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 输出20个大学信息
main()

运行结果如下：

运行出错。

2）结果分析

我只是修改了URL链接，其他的都没变。查看url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html' 网页源代码，发现相比2017，在大学排名处有稍微的改动。2016的把大学排名放在诸如<td>1</td>标签中，而2017的则改为<td>1<td>，这并不形成一个标签。

在fillUnivList()函数中添加如下代码进行测试：

print(tds[0].string)
type(tds[0].string)
print(tds[1].string+'+'+tds[2].string+'+'+tds[3].string)

输出结果如下：

可以看出tds[0].string内容为空，并不是想要提取的大学排名信息，是 NoneType类型；tds[1].string、tds[2].string、tds[3].string中信息分别为大学名称、大学地区、大学总分。从这里就可以理解，修改URL后，程序运行报出错误：

TypeError: unsupported format string passed to NoneType.__format__

那么怎么对程序进行修改，能准确提取除大学排名信息呢？BeautifulSoup是遍历HTML标签的函数库，由于大学排名信息并不保存在标签中，因此不能使用BeautifulSoup提取出大学排名信息。

通过发现，大学排名信息都是在'<td>N<td>'字符串中，因此可以使用正则表达式 '<td>[0-9]+<td>' 匹配。导入re库

import re

并修改fillUnivList()函数如下：

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    bank = re.findall(r'<td>[0-9]+<td>',html) #匹配所有包含大学排名信息的字符串
    i = 0;
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            ulist.append([bank[i].split('<td>')[1],tds[1].string, tds[3].string])
            i = i + 1;

修改后程序运行结果如下。能准确爬取大学排名信息。

3、输入结果中文对齐问题

上述输出中，存在中文不对齐的情况。

解决办法：采用中文字符空格填充 chr(12288)

修改printUnivList()函数为如下：

# 格式化后，输出列表数据
def printUnivList(ulist, num):
    tplt = '{0:^10}\t{1:{3}^10}\t{2:^10}'
    # 定义输出模板为变量tplt，\t为横向制表符，^为居中对齐，10为每列的宽度
    print(tplt.format("排名","学校名称","总分",chr(12288)))
    # format()方法做格式化输出
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))

程序运行结果如下。实现了中文居中对齐。