免責事項:この記事はブロガーオリジナル記事です、続くBY-SAのCC 4.0を著作権契約、複製、元のソースのリンクと、この文を添付してください。
私たちはしばしば、大学のランキングの様々な参照
常に爬虫類の学校はその後、ランク付けすることによって知ることができない
、もちろん、あなたができる
レンダリングを見てみると下のクロール
それを達成する方法を以下の特定
インプリメンテーションツール
pycharm + BeautifulSoup +リクエスト
特定のコード
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:
print("getError")
return ""
return ""
def fillUnivList(ulist,html):
soup = BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
print(tr)
if isinstance(tr,bs4.element.Tag):
tds = tr('td')
ulist.append([tds[0].string,tds[1].string,tds[3].string])
def printUnivList(ulist,num):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","学校名称","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():
unifo = []
url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html"
html = getHTMLText(url)
fillUnivList(unifo,html)
printUnivList(unifo,100)
main()
コード分析
Web分析
私たちはウェブをクロールこの時間は、2019年の大学ランキングで最高の大学である
要求に最初はWebページを要求
し、例外処理を追加します
def getHTMLText(url):
try:
r = requests.get(url,timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print("getError")
return ""
return ""
そして、Beautifulsoupの解決ページを使用
结构分析
排名位于tbody标签下
每个tr标签是一个学校的信息
tr标签下有多个td标签,保存有该学校的各类指标
遍历tr标签 tr标签是tbody标签的孩子
def fillUnivList(ulist,html):
soup = BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
print(tr)
if isinstance(tr,bs4.element.Tag):
# 获取tr标签下的td标签
tds = tr('td')
# 获取相关指标 只需要第 0 1 3 个相关td标签,分别是学校名称,排名,分数
ulist.append([tds[0].string,tds[1].string,tds[3].string])
100を印刷する前に、リスト
def printUnivList(ulist,num):
# 优化,解决中文不对齐问题
#^num num代表占位
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
# chr(12288)是中文空白符
print(tplt.format("排名","学校名称","分数",chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
最後に私の学校の成功が見つかりました。