まず、コースにプログラムを添付します。機能しません
2016年のURLを今年のURLに変更します:http://www.shanghairanking.cn/rankings/bcur/2020
コードは次のように表示されます。
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):
print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
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.shanghairanking.cn/rankings/bcur/2020'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univs
main()
出力結果:
报错
AttributeError: 'NoneType'オブジェクトに属性 'children'がありません
問題の原因を見つける
最初にウェブサイトのコンテンツを出力します。コードは次のとおりです。
from bs4 import BeautifulSoup
import requests
r = requests.get('https://www.shanghairanking.cn/rankings/bcur/2020')
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo,'html.parser')
print(soup.prettify())
出力の一部:
出力結果では、tbodyタグにはすべての大学の情報が含まれ、trタグには大学のすべての情報が含まれ、tdタグには単一の大学の各情報が含まれていることがわかります。しかし、Songtianのコースウェアとの違いは、大学名を含むラベルがtdの下のラベルであるということです。
したがって、問題は大学名の取得の一部である必要があります。
印刷ulistの内容を印刷します。
コードは次のように表示されます。
ステートメント:
ulist.append([tds[0].string, tds[1].string, tds[4].string])
に:
ulist.append([tds[0].string, tds[1], tds[4].string])
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], tds[4].string])
print(ulist)
出力結果:
必要なコンテンツが印刷されていることがわかりますが、不要なものがあります。
必要なコンテンツがタグの下にあることがわかります。.find()メソッドを使用して、必要なコンテンツを取得できます。
コードは次のように表示されます。
for a in tr.find('a'):
print('a')
出力は次のとおりです。
これはまさに私たちが望むものであり、tdsに割り当てます。
コードは次のように表示されます。
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], tds[4].string])
for a in tr.find('a'):
# print(a)
ulist.append([tds[0].string, a, tds[4].string])
出力は次のとおりです。
内容はまさに私たちが望むものですが、レイアウトは十分にきれいではありません。その理由は、ulistのコンテンツに改行が含まれているためです。
ulistのnewline文字を.replace()メソッドに置き換えれば、newlineの問題は発生しません。
コードは次のように表示されます。
def printUnivList(ulist, num):
print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
for i in range(num):
u=ulist[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0].replace('\n',''), u[1].replace('\n',''), u[2].replace('\n','')))
出力結果:
これはまさに私たちが望むタイプ設定とコンテンツです。print()によって出力されるフォーマットを変更して、よりきれいなタイプ設定を取得します。
プログラムの全体的なコードは次のとおりです。
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], tds[4].string])
for a in tr.find('a'):
# print(a)
ulist.append([tds[0].string, a, tds[4].string])
def printUnivList(ulist, num):
print(" {:^10}\t{:^6}\t {:^10}".format("排名","学校名称","总分"))
for i in range(num):
u=ulist[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0].replace('\n',''), u[1].replace('\n',''), u[2].replace('\n','')))
def main():
uinfo = []
url = 'http://www.shanghairanking.cn/rankings/bcur/2020'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univs
main()