什么是对中国大学进行排名的爬窗系统

Posted 2023-04-05

本教程主要参考中国大学慕课的 Python 网络爬虫与信息提取，为个人学习笔记。
在学习过程中遇到了一些问题，都手动记录并且修改更正，保证所有的代码为有效。且结合其他的博客总结了一些常见问题的解决方式。

本教程不商用，仅为学习参考使用。如需转载，请联系本人。

Reference
爬虫 MOOC
数据分析 MOOC
廖雪峰老师的 Python 教程
功能描述
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

定向爬虫：仅对输入 URL 进行爬取，不扩展爬取

定向爬虫可行性
1.确定要爬取的信息是否写在 html 的页面代码中

https://www.shanghairanking.cn/rankings/bcur/2021

2.没有 robots 协议，即没有爬虫的限制

程序的结构设计
步骤1：从网络上获取大学排名网页内容 getHTMLText()

步骤2：提取网页内容中信息到合适的数据结构 fillUnivList()

步骤3：利用数据结构展示并输出结果 printUnivList()

程序编写
先使用异常处理形式爬取网站，修改编码并返回 url 的内容。(requests)

然后找到 tbody 标签，在tbody孩子标签中挨个检索 tr(for循环)，如果类型和 tag 一致，则查找 tr 中的 td 标签，以二维列表的数据结构存储信息 [[“1”, “清华大学”, “北京”], [“2”, “北京大学”, “北京”], …]。(BeautifulSoup)

新版的排名的大学名字封装在 a 标签中，所以这里需要具体到查找属性为 ‘name-cn’ 的 a 标签并存储其字符串，即大学的中文名称。相应代码只需要做细微修改即可

最后格式化输出信息。

格式化输出回顾：

源代码
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: #先检索到tbody标签
if isinstance(tr, bs4.element.Tag):
tds = tr('td') #查询tr中的td标签，等价于tr.find_all('td')
# 新版的排名封装在a标签中，所以这里需要具体到查找属性为'name-cn'的a标签并存储其字符串，即大学的中文名称
a = tr('a','name-cn')
ulist.append([tds[0].string.strip(),a[0].string.strip(),tds[2].text.strip(),tds[4].string.strip()]) # 使用二维列表存储信息

def printUnivList(ulist, num):
print(":^10\t:^6\t:^10".format("排名","学校名称","总分")) #取10/6/10位中间对齐
for i in range(num):
u = ulist[i]
print(":^10\t:^6\t:^10".format(u[0], u[1], u[3]))

def main():
uinfo = []
url = "https://www.shanghairanking.cn/rankings/bcur/2021"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univ

main()
登录后复制

程序优化
中文对齐问题的原因：

当中文字符宽度不够时，采用西文字符填充；中西文字符占用宽度不同。

中文对齐问题的解决：

采用中文字符的空格填充 chr(12288)

def printUnivList(ulist, num):
tplt = "0:^10\t1:3^10\t2:^10"
# 3表示需要填充时使用format的第三个变量进行填充，即使用中文空格
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[3], chr(12288)))
登录后复制
优化后的程序如下：

# -*- coding:utf-8 -*-

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: # 先检索到tbody标签
if isinstance(tr, bs4.element.Tag):
tds = tr('td') # 查询tr中的td标签，等价于tr.find_all('td')
# 新版的排名封装在a标签中，所以这里需要具体到查找属性为'name-cn'的a标签并存储其字符串，即大学的中文名称
a = tr('a','name-cn')
ulist.append([tds[0].string.strip(),a[0].string.strip(),tds[2].text.strip(),tds[4].string.strip()]) # 使用二维列表存储信息

def printUnivList(ulist, num):
tplt = "0:^10\t1:4^10\t2:^10\t3:^10"
# 3表示需要填充时使用format的第三个变量进行填充，即使用中文空格
print(tplt.format("排名", "学校名称", "地区", "总分", chr(12288)))
for i in range(num):
u = ulist[i]
print(tplt.format(u[0], u[1], u[2], u[3], chr(12288)))

def main():
uinfo = []
url = "https://www.shanghairanking.cn/rankings/bcur/2021"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) # 20 univ

if __name__ == "__main__":
main()
登录后复制

总结
采用 requests‐bs4 路线实现了中国大学排名定向爬虫。

对中英文混排输出问题进行优化。

爬虫
python
数据挖掘
https
html
仙侠问道手机游戏
精选推荐
广告

中国大学排名的爬虫实战
1014阅读·0评论·0点赞
2022年1月24日
Python 爬虫-2020年中国大学排名
469阅读·5评论·1点赞
2020年9月13日
爬取大学排名信息实验报告
143阅读·0评论·0点赞
2022年10月23日
Python爬虫（一）—— 中国大学排名
6382阅读·11评论·11点赞
2022年4月2日
【Python爬虫】爬取2022软科全国大学排行榜
3115阅读·6评论·7点赞
2022年7月3日
【爬虫实战】5Python网络爬虫——中国大学排名定向爬虫
595阅读·3评论·5点赞
2021年1月17日
升级快的传奇手游

精选推荐
广告
Python练习-爬虫（附加爬取中国大学排名）
3539阅读·5评论·4点赞
2022年1月6日
【网络爬虫】爬取中国大学排名网站上的排名信息，将排名前20的大学的信息保存为文本文件并在窗口打印的python程序
1445阅读·1评论·4点赞
2022年1月26日
2.python爬虫实战：爬取近5年的中国大学排行榜信息【Python】（测试代码+api例程）
865阅读·0评论·1点赞
2022年5月19日
python爬虫案例典型：爬取大学排名（亲测有效）
2369阅读·0评论·5点赞
2022年6月12日
python爬虫 2021中国大学排名定向爬虫
5729阅读·8评论·26点赞
2021年4月28日
Python网络爬虫实例——“中国最好大学排名爬取”（嵩天：北理工大学）学习笔记
6217阅读·1评论·13点赞
2019年3月20日
最新2022中国大学排名发布！
216阅读·0评论·0点赞
2022年2月22日
python爬虫分析大学排名_Python爬虫之爬取中国大学排名（BeautifulSoup库）
1342阅读·0评论·2点赞
2021年2月4日
python实例，python网络爬虫爬取大学排名!
1931阅读·0评论·2点赞
2018年11月20日
学习笔记：中国大学排名定向爬虫
5171阅读·4评论·5点赞
2021年12月23日
【爬虫】爬取大学排名信息
252阅读·0评论·0点赞
2022年10月6日
网络爬虫爬取中国大学排名，并存入数据库
573阅读·0评论·1点赞
2019年9月21日
Python3爬虫爬取中国大学排名数据并写入mysql数据库
2272阅读·0评论·2点赞
2018年10月17日
python网络爬虫与信息提取-04-爬取某大学排名网站的排名数据
334阅读·0评论·0点赞
2020年1月19日
去首页
看看更多热门内容
评论18

weixin_48444032

1
为什么只能最多获取到30条？怎么修改？
2022.04.26

qq_56912992

赞
如果想把数据保存到excel具体应该怎么改呢
2022.12.03

qq_56912992

赞
你好我想多获取到办学资源那一列数据，但是为什么我添加了tds[5].string.strip()]，后面的format也改了，但是只出现列头的”办学资源“文字，却不出现相应的数字数据呢，求解答！！ 参考技术A 市民卡注销时押金退还：
市民办理注销市民卡时，如卡片完好能正常使用，凭押金收据退还25元押金;
如市民卡有弯、折、裂、破、洞、磨损、凹凸、火烧、水浸等痕迹或其他人为因素损坏的，不予退还25元押金。
注销办理条件：
市民卡退卡业务，需持卡满3个月;
市民因不再需要使用或户籍变动等原因办理注销的;
注销办理材料：
本人身份证或户口薄有效证件原件;
委托他人代办的：
须提供双方身份证件或户口薄有效证件原件及复印件;
办理网点：
市民卡退卡指定网点共三个：市民卡服务中心、市民卡星湖路网点、市民卡友爱路网点;
桂盛市民卡办理退卡业务需前往农信社营业网点办理，网点地点可致电农信社客服热线966888;
温馨提示：微信搜索公众号南宁本地宝，关注后在对话框回复【市民卡】，可获市民卡办理+挂失解挂指南、充值指南、乘车优惠功能开通、学生卡查询。

爬取中国大学排名

爬取最好大学网上最新2019年的中国大学排名情况

1.url：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html。

2.使用requests库和bs4库实现对中国大学排名的定向爬取。

3.对包含输出的列表进行排版。

 1 import requests
 2 from bs4 import BeautifulSoup #对bs4库中的Beautiful类引用
 3 import bs4#引入bs4库
 4 #获取界面的信息
 5 def getHTMLText(url) :
 6     try:
 7         r = requests.get(url,timeout = 30)
 8         r.raise_for_status()
 9         r.encoding = r.apparent_encoding
10         return r.text
11     except:
12         print("获取失败")
13     return ‘‘
14 #将获取的信息中有用的存入列表中
15 def fillUnivlist(ulist,html):
16     soup = BeautifulSoup(html,"html.parser")#html的方式保存
17     #查看源代码，大学排行信息包含在<tbody>,<tr>,<td>标签里面
18     #先解析<tbody>的位置
19     for tr in soup.find(‘tbody‘).children:
20         #用isinstance方法检测tr标签，如果tr标签不是bs4库中的Tag类型，过滤
21         if isinstance(tr,bs4.element.Tag):
22             #查出所有的tr标签后，查出td标签,将所有的td标签存入列表当中
23             tds = tr(‘td‘)
24             #在列表中增加需要的对应字段，大学排名，大学名称，大学评分
25             ulist.append([tds[0].string,tds[1].string,tds[2].string,tds[3].string])
26 
27     pass
28 #打印出获得的的信息
29 def printUnivlist(ulist,num):
30     #num为自己想要获取大学的数量
31     #打印表头
32     print("{:^10}	{:^6}	{:^10}	{:^10}".format("排名","学校名称","省市","总分"))
33     for i in range(num):
34         u = ulist[i]
35         print("{:^10}	{:^6}	{:^10}	{:^10}".format(u[0],u[1],u[2],u[3]))
36 
37 
38     print(‘Suc‘+str(num))
39 
40 
41 def main():
42     uinfo=[]     #定义一个存放信息的列表
43     url=‘http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html‘
44     html = getHTMLText(url)
45     fillUnivlist(uinfo,html)
46     printUnivlist(uinfo,20)#查看20个大学
47 main()

 

 

该程序主要包含四个函数：（1）def getHTMLText(url)，获取URL中的所有信息；

（2）def fillUnivlist(ulist,html)，j继续获取想得到的信息，并将这些信息存入列表当中；

（3）def printUnivlist(ulist,num)，打印出（2）中获取的信息；

（4）def main()，初始化一些参数。

优化

中文对齐问题的解决

采用中文字 符的空格填充chr(12288)

{1:{4}^15}，这个里面1和4对应format里面的顺序）（1为u[1]，在1号位填充。4是四个要填充

的字符串中文空格，10为宽度），而“:” 后面的内容表示填充内容，当长度不够时将自动填充。

 

 代码尚未优化完全，后期补全！