requests-beautifulsoup爬取大学排名网站

1.根据url爬取页面内容

def getHTMLText(url):
	try:
		r = requests.get(url,timeout=30)#设置超时时长为30s
		r.raise_for_status()
		r.encoding = r.apparent_encoding
		return r.text
	except:
		return ""

2.使用beautifulsoup寻找排名所在的页面的标签位置,并将找到的结果保存到list中

def fillUnivList(ulist,html):
        #beautifulsoup解析html代码,把html代码中的元素变成python可以调用的对象
	soup = BeautifulSoup(html,'html.parser')
	for tr in soup.find('tbody').children:
		if isinstance(tr,bs4.element.Tag):#.string可能返回注释内容
			tds = tr('td') #等同调用了find_all() 方法,找到tr下的所有td标签
			ulist.append([tds[0].string,tds[1].string,tds[2].string])
	pass

3.使用format方法格式化输出列表内容

def printUnivList(ulist,num):
        if num > len(ulist):
		num = len(ulist)
	tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"#{3}表示使用format函数的第三个变量进行填充
	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)))

全代码:

import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
	try:
		r = requests.get(url,timeout=30)#设置超时时长为30s
		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):#防止.children返回null
			tds = tr('td')
			ulist.append([tds[0].string,tds[1].string,tds[2].string])
	pass

def printUnivList(ulist,num):
        if num > len(ulist):
		num = len(ulist)
	tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"#{3}表示使用format函数的第三个变量进行填充
	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 mian():
	uinfo = []
	url = "http://www.gaokaopai.com/paihang-otype-2.html"
	html = getHTMLText(url)
	fillUnivList(uinfo,html)
	printUnivList(uinfo,20)
mian()

输出结果:

requests-beautifulsoup爬取大学排名网站_第1张图片

值得注意的是request-beautifulsoup只能爬取镶嵌在html页面里代码的内容,如果想要页面是通过js加载出来的,就无法获取。

本例中由于页面中只镶嵌了25所大学的排名其余均为js加载所得,所以只能爬取25所大学排名。

这里可通过改变爬取网页,或者通过动态网页爬取技术实现

你可能感兴趣的:(爬虫)