python网络爬虫与信息提取实例
中国大学排名定向爬虫
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
程序的结构设计
步骤1:从网络上获取大学排名网页内容
步骤2:提取网页内容中信息到合适的数据结构
步骤3:利用数据结构展示并输出结果
利用列表存储二维数据
代码如下
import requests
from bs4 import BeautifulSoup# 引入解析模块BS4
import bs4
#自定义函数,从网络上获取大学排名网页内容
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()#判断状态码是否为200,产生异常信息
r.encoding = r.apparent_encoding#调整合适的编码信息
return r.text#返回已爬取网页内容
except:
return ""#状态码异常不爬取
#自定义函数,提取网页内容信息到合适的数据结构(列表)
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")#采用html解析器
for tr in soup.find('tbody').children:#找到所有tbody标签信息获取所有大学相关信息,利用bs4库的children遍历
if isinstance(tr, bs4.element.Tag):#在tbody标签中找到tr标签获取每一个大学的信息
tds = tr('td')#在tr标签中利用列表存储每个td标签的相关字段
ulist.append([tds[0].string, tds[1].string, tds[2].string, tds[3].string])
#利用数据结构展示并输出
def printUnivList(ulist, num):
provinces = input("请输入你要爬取的大学排名的省份:")
tplt = "{0:^4}\t{1:{4}^12}\t{2:^8}\t{3:^6}"#输出模版
print(tplt.format("排名","学校名称","省市","总分",chr(12288)))#采用中文空格填充
for i in range(num):
u=ulist[i]
if u[2] == provinces:#只输出对应省份的学校
print(tplt.format(u[0],u[1],u[2],u[3],chr(12288)))
def main():
uinfo = []
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 549) # 最多549 univs
main()
实现效果