利用python网络爬虫获取软科中国最好大学排名2019数据

 本例程来源于中国大学慕课中北京理工大学嵩天老师所开设的《Python网络爬虫与信息提取》 （https://www.icourse163.org/course/BIT-1001870001），例程的主要任务是，利用Requests库和Beautiful Soup库从软科中国最好大学排名网站（http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html）中爬取数据并打印，原网页截图如下。

现在要爬取并打印前图中表格的前三列信息，由于Requests库和Beautiful Soup库只能对html页面中的静态文本进行爬取，因此要检查该页面的源代码如下，确认表格中的信息为静态文本，另外还需要检查一下该网站是否有robots.txt文件，经检查确认没有。

 例程的代码如下：

#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()

import requests
from bs4 import BeautifulSoup
import bs4

#从目标url中提取文本信息的函数
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        #设置连接成功提醒
        r.raise_for_status()
        #改变编码方式
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""

#在所有文本中提取表格前三列的信息    
def fillUnivList(ulist,html):
    #html.parser解释器可以将提取出的文本按标签进行分行，保证可读性
    soup=BeautifulSoup(html,"html.parser")
    #从源代码可以观察到，表格信息都是嵌套在tbody中，而每一行的信息由是嵌套在每一个tr标签中，每一行的每一格信息嵌套在td中，这也是html语言的特点。
    #因此要遍历tbody中的每一个tr标签，即遍历每一行。
    for tr in soup.find('tbody').children:
        #为了防止文本字符中含有“tr"字段的信息被误认为html标签，因此需要进行标签确认
        if isinstance(tr,bs4.element.Tag):
            tds=tr('td')
            #提取出每一行表格前3列的信息
            ulist.append([tds[0].string,tds[1].string,tds[2].string])

#打印提取出的表格信息
def printUnivList(ulist,num):
    #对输出结果进行format格式化输出，其中"{1:{3}^10}"中的{3}表示的是空余位置用format函数的第四个参数填充
    #因为如果是按照默认的话，format中空余位置会用英文字符进行填充，这就造成了长短不一，输出不美观的影响
    #而chr（12288）是中文空格对应的Unicode编码，这样就可以用中文空格填充空余位置了。
    tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校","分数",chr(12288)))
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))
          
          

def main():
    uinfo = []
    url="http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    #20代表爬取前20个学校
    printUnivList(uinfo,60)

main()