爬虫小例

中国大学排名爬虫

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬取：仅对输入URL进行爬取，不进行扩展爬取

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()

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‘))
    print(‘suc‘+str(num))
    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.cn/zuihaodaxuepaiming2016.html‘
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)  #打印20所大学的信息

main()