python数据分析之爬虫三：BeautifulSoup库爬虫实例

实例一：中国大学排名定向爬虫

网址.：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

查看定向爬虫的可行性

 

每个大学以tr标签开始，每个大学的每项信息都以td标签开始。

判断定向爬虫的可行性：打开robots协议看是否有爬虫限制

http://www.zuihaodaxue.cn/robots.txt

并没有爬虫限制。

功能描述

程序结构设计

主函数的框架如下：

import requests
import bs4
from bs4 import BeautifulSoup

def getHTMLText(url):
    return ""

def fillUnivList(ulist,html):
    pass

def printUnivList(ulist,num):
    print('Suc'+str(num))

def main():
    uinfo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)

main()

填充各子函数

getHTMLText()

fillUnivList()

format函数格式：

printUnivList()

总体代码：

import requests
import bs4
from bs4 import BeautifulSoup

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])#第二个是位置


def printUnivList(ulist,num):
    print("{:^10}\t{:^10}\t{:^10}".format("排名","学校名称","总分"))
    for i in range(num):
        u=ulist[i]
        print("{:^10}\t{:^10}\t{:^10}".format(u[0],u[1],u[2]))

def main():
    uinfo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)

main()

输出结果：

输出的结果中中文对齐并不是很理想。

我们可以设定当中文字符宽度不够时，采用中文字符的空格填充chr(12288)  chr(12288)表示一个中文空格。

修改代码如下：

import requests
import bs4
from bs4 import BeautifulSoup

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])#第二个是位置


def printUnivList(ulist,num):
    tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"#{3}表示学校名称填充时使用format第三个下标对应的填充方式
    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[2],chr(12288)))

def main():
    uinfo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)

main()

效果如下：

把爬取的成果输出到excel文件中去

import requests
import bs4
from bs4 import BeautifulSoup
import pandas as pd

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])#第二个是位置


def SaveUnivList(ulist,num):
    path=r"C:\Users\LPH\Desktop\paiming.xlsx"
    a=ulist[:num]
    print(a)
    a=pd.DataFrame(a,columns=['排名','学校名称','评分'])
    a.to_excel(path,index=False)



def main():
    uinfo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html"
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    SaveUnivList(uinfo,20)

效果如下：

注意：爬取的数字是文本数字，要把文本数字改为数字。具体可以百度：Excel如何批量将文本格式的数字改为数值格式。

 

又自己码了一遍。。。。。

import requests
import bs4
from bs4 import BeautifulSoup
import pandas as pd

def getHTMLText(url):
    try:
        r=requests.get(url)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""

def fillUnivList(univl,html):
    soup=BeautifulSoup(html,'html.parser')
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):
            tds=tr('td')
            univl.append([tds[0].text,tds[1].contents[0].text,tds[3].text])

def saveUnivList(univl,num,path):
    univl=univl[:num]
    print(univl)
    a=pd.DataFrame(univl,columns=['大学排名','学校名称','分数'])
    a.to_excel(path,index=False)


def main():
    num=int(input("please input the number of universities you want to learn about:"))
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html"
    html=getHTMLText(url)
    univl=[]
    path=r'C:\Users\LPH\Desktop\daxuepaiming.xlsx'
    fillUnivList(univl,html)
    saveUnivList(univl,num,path)

main()