Python: “中国大学排名定向爬虫”实例

Exploring

发布于 2022-09-20 13:59:07

5880

发布于 2022-09-20 13:59:07

文章被收录于专栏：数据处理与编程实践

文章背景：之前学习了BeautifulSoup模块（参见文末的延伸阅读），在此基础上，通过输入大学排名URL链接，获得大学排名信息的屏幕输出。

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

技术路线：requests-bs4

爬取网页：https://www.shanghairanking.cn/rankings/bcur/2020

1 程序的结构设计

从网络上获取大学排名网页内容 getHTMLText()
提取网页内容中的信息到合适的数据结构 fillUnivList()
利用数据结构展示并输出结果 printUnivList()

2 代码展示

import requests, bs4
from bs4 import BeautifulSoup

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except Exception as exc:
        print('There was a problem: %s' % (exc))

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].text.strip(), tds[1].text.strip(), tds[4].text.strip()])

def printUnivList(ulist, num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校名称","总分",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 = 'https://www.shanghairanking.cn/rankings/bcur/2020'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 10) # 10 univs
    
main()

运行结果：