中国大学排名爬虫

Posted 2020-11-10 疼你&心依旧

• 功能描述：
• 输入：大学排名URL链接：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html
• 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：仅对输入的URL链接进行爬取，不扩展爬取。

                               

 

• 程序的程序设计：
• 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())

    格式化输出：

        

 

• 爬虫代码：

 1 import requests
 2 from bs4 import BeautifulSoup
 3 import bs4
 4  
 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         return ""
13  
14 def fillUnivList(ulist, html):
15     soup = BeautifulSoup(html, "html.parser")
16     for tr in soup.find(\'tbody\').children:
17         if isinstance(tr, bs4.element.Tag):
18             tds = tr(\'td\')
19             ulist.append([tds[0].string, tds[1].string, tds[2].string])
20  
21 def printUnivList(ulist, num):
22     print("{:^10}\\t{:^6}\\t{:^10}".format("排名", "学校名称", "总分"))
23     for i in range(num):
24         u = ulist[i]
25         print("{:^10}\\t{:^6}\\t{:^10}".format(u[0], u[1], u[2]))
26  
27 #主函数
28 def main():
29     uinfo = []
30     url = \'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html\'
31     html = getHTMLText(url)
32     fillUnivList(uinfo, html)
33     printUnivList(uinfo, 20) # 20所大学
34 main()

• 爬虫结果：

        

 

• 爬虫实例优化：
• 中文对齐问题的原因：   
•  

  :	<填充>	<对齐>	<宽度>	,	<.精度>	<类型>
  引导符号	用于填充的单个字符	<左对齐 >右对齐 ^居中对齐	槽的设定输出宽度	数字的千分位分隔符适用于整数和浮点数	浮点数小数备部分的精度或字符串的最大输出长度	整数类型：b,c,d,o,x,X浮点数类型：e,E,f,%

  当中文字符宽度不够使，采用西文字符填充；中西文占用宽度不同。
• 中文对齐问题的解决：
• 采用中文字符的空格填充 chr(12288)
• 爬虫代码：

 1 import requests
 2 from bs4 import BeautifulSoup
 3 import bs4
 4  
 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         return ""
13  
14 def fillUnivList(ulist, html):
15     soup = BeautifulSoup(html, "html.parser")
16     for tr in soup.find(\'tbody\').children:
17         if isinstance(tr, bs4.element.Tag):
18             tds = tr(\'td\')
19             ulist.append([tds[0].string, tds[1].string, tds[2].string])
20  
21 def printUnivList(ulist, num):
22     tplt = "{0:^10}\\t{1:{3}^10}\\t{2:^10}"
23     print(tplt.format("排名", "学校名称", "总分", chr(12288)))
24     for i in range(num):
25         u = ulist[i]
26         print(tplt.format(u[0], u[1], u[2], chr(12288)))
27  
28 #主函数
29 def main():
30     uinfo = []
31     url = \'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html\'
32     html = getHTMLText(url)
33     fillUnivList(uinfo, html)
34     printUnivList(uinfo, 20) # 20所大学
35 main()

• 爬虫结果：