网络爬虫的提取爬虫实例

0x00 中国最好大学排名的爬取

 

---

我们通过上海交通大学设计研发的最好大学网来进行数据的抓取

这是本次爬取的url：软科中国最好大学排名

 

功能描述：

　　输入目标url

　　输出大学排名信息（排名、学校、总分）

　　技术路线：requests-bs4

　　定向爬取：只对该url进行爬取

分析：

　　查看网页源代码，为了快速定位，可以直接在源代码页面搜索“清华大学”，就能迅速定位我们想要的代码段，确定爬取计划可行。

 

接下来，我们查看根目录下的robots.txt文件，确认爬取行为的合法性，经过实践，该网站根目录下并不存在robots.txt文件，因此该网站没有对爬虫进行限制。

程序结构设计：

　　步骤1：从url中获取网页内容

　　步骤2：提取网页中的信息到合适的数据结构

　　步骤3：利用数据结构展示并输出结果

同时介绍一下print()函数中format方法，format后面的内容会按顺序替换相应的大括号

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):   #爬取页面
    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:      #查找tbody标签，并遍历下面的子标签
        if isinstance(tr, bs4.element.Tag):     #检测tr标签，若不是Tag类型则过滤
            if len(tr('td') ) == 7:
                tds = tr('td')                      #将所有td标签存为列表类型
                ulist.append([tds[0].string, tds[3].string, tds[6].string])     #将我们需要的td标签的内容存入列表

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.zuihaodaxue.com/BCSR/wangluokongjiananquan2018.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 10)

main()