本例程来源于中国大学慕课中北京理工大学嵩天老师所开设的《Python网络爬虫与信息提取》 (https://www.icourse163.org/course/BIT-1001870001),例程的主要任务是,利用Requests库和Beautiful Soup库从软科中国最好大学排名网站(http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html)中爬取数据并打印,原网页截图如下。
现在要爬取并打印前图中表格的前三列信息,由于Requests库和Beautiful Soup库只能对html页面中的静态文本进行爬取,因此要检查该页面的源代码如下,确认表格中的信息为静态文本,另外还需要检查一下该网站是否有robots.txt文件,经检查确认没有。
例程的代码如下:
#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()
import requests
from bs4 import BeautifulSoup
import bs4
#从目标url中提取文本信息的函数
def getHTMLText(url):
try:
r=requests.get(url,timeout=30)
#设置连接成功提醒
r.raise_for_status()
#改变编码方式
r.encoding=r.apparent_encoding
return r.text
except:
return ""
#在所有文本中提取表格前三列的信息
def fillUnivList(ulist,html):
#html.parser解释器可以将提取出的文本按标签进行分行,保证可读性
soup=BeautifulSoup(html,"html.parser")
#从源代码可以观察到,表格信息都是嵌套在tbody中,而每一行的信息由是嵌套在每一个tr标签中,每一行的每一格信息嵌套在td中,这也是html语言的特点。
#因此要遍历tbody中的每一个tr标签,即遍历每一行。
for tr in soup.find('tbody').children:
#为了防止文本字符中含有“tr"字段的信息被误认为html标签,因此需要进行标签确认
if isinstance(tr,bs4.element.Tag):
tds=tr('td')
#提取出每一行表格前3列的信息
ulist.append([tds[0].string,tds[1].string,tds[2].string])
#打印提取出的表格信息
def printUnivList(ulist,num):
#对输出结果进行format格式化输出,其中"{1:{3}^10}"中的{3}表示的是空余位置用format函数的第四个参数填充
#因为如果是按照默认的话,format中空余位置会用英文字符进行填充,这就造成了长短不一,输出不美观的影响
#而chr(12288)是中文空格对应的Unicode编码,这样就可以用中文空格填充空余位置了。
tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","学校","分数",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/zuihaodaxuepaiming2019.html"
html=getHTMLText(url)
fillUnivList(uinfo,html)
#20代表爬取前20个学校
printUnivList(uinfo,60)
main()