在正式爬取之前，先做一个试验，看一下爬取的数据对象的类型是如何转换为列表的：
写一个html文档:
x.html
<html><head><title>This is a python demo pagetitle>head> <body> <p class="title"> <a>The demo python introduces several python courses.a> <a href="http://www.icourse163.org/course/BIT-133" class="py1" id="link1">Basic Pythona> p> <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses: <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Pythona> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Pythona> p> body>html>
# coding:utf-8 from bs4 import BeautifulSoup import requests import bs4 soup = BeautifulSoup(open('D:/x.html', encoding='utf-8'), "html.parser") print(soup.find('body',).children) # .children返回可迭代对象，不是列表，需要用for循环遍历其中的内容 for t in soup.find('body').children: 迭代标签的儿子节点 if isinstance(t, bs4.element.Tag): # 判断子节点是否为Tag对象(因为子节点会包含如换行符之类的节点) print('body的子标签的内容是：', t) # 查看t变量获得的对象内容，body的子标签为p标签，一组表示一个对象 print('t的类型是：', type(t)) # 查看t的类型
可以看到每个t对象的类型是bs4.element.Tag，也就是标签对象。
那么，如果要从每个t对象中获取a标签的内容，并把所有a标签都保存到一个列表中，该如何做?
可以使用：
list = t('a') # t('a')会生成一个bs4.element.ResultSet类型的数据对象，实际上就是Tag列表
for t in soup.find('body').children: if isinstance(t, bs4.element.Tag): # 判断子标签是否为Tag对象(因为子节点会包含如换行符之类的节点) # print('body的子标签的内容是：', t) # 查看t变量获得的对象内容 # print('t的类型是：', type(t)) # 查看t的类型 list = t('a') # 循环获取每个t对象中的所有a标签，并保存到一个列表中 print(list) print(type(list)) print('每个p标签的第一个a标签的内容：', list[0].string) # a标签保存到列表后，便可以利用列表方法解析出其中的具体每个a标签对象，并利用.string获取标签字符串
接下来就可以正式编写爬虫了：
分析网页源代码
可以看到需要的一些信息如大学排名、大学名称、地址、分数等分别在如图标注的地方，每个大学信息所在的标签结构如下：所有大学信息都在标签下，每个大学都在各自的 思路如下：先找到下的所有标签内容，然后再从中找出所有 我要把每个学校的“排名、名称、地址、分数”的值都取出来，并且把每组数据都各自装在一个列表中，然后再把每个列表依次加到一个大列表里 （1）直接处理数据 打印td的结果： 打印t的结果如下，其实排名信息已经可以看出来了 然后依次把每个大学信息写入一个文本文档： （2）把代码封装，写到函数中 转载于:https://www.cnblogs.com/hanmk/p/8724727.html标签，然后大学自身的排名、名称、地址等信息都分别由一个 标签包裹。
标签内容（为什么不直接用find_all()找 ?因为不只有我们需要的大学信息用到了 标签， 之外也有用到标签来包裹内容的）。
from bs4 import BeautifulSoup
import requests
import bs4
url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'
r = requests.get(url)
r.encoding = r.apparent_encoding # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'
html = r.text
soup = BeautifulSoup(html, 'html.parser') # 获取爬取网页的BeautifulSoup对象
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag):
td = tr('td')
print(td)
t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析出的数据各自装到一个列表中
print(t)
from bs4 import BeautifulSoup
import requests
import bs4
url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'
r = requests.get(url)
r.encoding = r.apparent_encoding # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'
html = r.text
soup = BeautifulSoup(html, 'html.parser') # 获取爬取网页的BeautifulSoup对象
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag):
td = tr('td')
t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析出的数据各自装到一个列表中print(t)
with open('D:/test.txt','a') as data: # 以'a'模式打开文件，即可不停的追加写入而不改变原内容
print(t, file=data)
# coding:utf-8
import requests
import bs4
from bs4 import BeautifulSoup
def get_html(url):
"""定义获取网页源码函数"""
try:
r = requests.get(url, timeout=20)
r.encoding = r.apparent_encoding
return r.text
except:
return None
def get_data(html, list):
"""定义从网页源码获取数据并处理数据函数"""
soup = BeautifulSoup(html, 'html.parser')
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag):
td = tr('td')
t = [td[0].string, td[1].string, td[2].string, td[3].string] # 把每个学校解析处的数据各自装到一个列表中
list.append(t) # 把每个学校信息列表都追加到一个大列表中，方便后面写入文件
# return list # 不能加return,造成的后果就是第一次循环时就把结果返回出去了，只取到了第一条数据
def write_data(ulist, num): # num参数，控制提取多少组数据写入文件
"""定义把数据写入文件函数"""
for i in range(num):
u = ulist[i]
with open('D:/test.txt', 'a') as data:
print(u, file=data)
if __name__ == '__main__':
list = [] # 我之前是把list=[]放到get_data()函数的for循环里面了，导致每次循环都会先清空列表，然后再追加数据，结果最后遍历完只剩最后一组数据。。。
url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'
html = get_html(url)
get_data(html, list)
write_data(list, 20)
把结果输出到屏幕(老师给出的代码)
# 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:
# if isinstance(tr, bs4.element.Tag):
# tds = tr('td')
# ulist.append([tds[0].string, tds[1].string, tds[2].string, tds[3].string])
#
#
#
# def printUnivList(ulist, num):
# print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format('排名', '学校名称', '地区', '总分'))
# for i in range(num):
# u = ulist[i]
# print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format(u[0], u[1], u[2], u[3]))
#
#
# def main():
# uinfo = []
# url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'
# html = GetHTMLText(url)
# fillUnivList(uinfo, html)
# printUnivList(uinfo, 20)
# return uinfo
#
#
# if __name__ == '__main__':
# t = main()