网络爬虫 - 提取

Kenda ·

更新时间:2024-11-13

· 928 次阅读

"中国大学排名定向爬虫"实例

最好大学网

robots

目标网页
在这里插入图片描述

import requests
import bs4
from bs4 import BeautifulSoup
# 获取大学排名网页内容
def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30) #请求URL超时，产生超时异常
        r.raise_for_status() #如果转态不是200，引发HTTPError错误
        r.encoding = r.apparent_encoding 
        return r.text
    except:
        return ""
# 提取信息到合适的数据结构
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])
# 利用数据结构数据展示并输出结果
def printUnivList(ulist, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分")) #^ 居中对齐
    for i in range(num):
        u = ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))
# 主函数
def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 10) #10 univs
main()

在这里插入图片描述

# 利用数据结构数据展示并输出结果（优化）
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))) #采用中文字符的空格填空 chr(12288)
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))
# 主函数
def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 10) #10 univs
main()

在这里插入图片描述