python爬虫入门---第二篇：获取2019年中国大学排名

我们需要爬取的网站：最好大学网

 

我们需要爬取的内容即为该网页中的表格部分：

 

该部分的html关键代码为：

 

 

其中整个表的标签为标签，每行的标签为标签，每行中的每个单元格的标签为标签，而我们所需的内容即为每个单元格中的内容。

因此编写程序的大概思路就是先找到整个表格的标签，再遍历标签下的所有标签，最后遍历标签下的所有标签，

我们用二维列表来存储所有的数据，其中二维列表中的每个列表用于存储一行中的每个单元格数据，即标签下的所有标签中的所有字符串。

 

代码如下;

import requests
from bs4 import BeautifulSoup
import bs4

def get_html_text(url):
    '''返回网页的HTML代码'''
    try:
        res = requests.get(url, timeout = 6)
        res.raise_for_status()
        res.encoding = res.apparent_encoding
        return res.text
    except:
        return ''

def fill_ulist(ulist, html):
    '''将我们所需的数据写入一个列表ulist'''

    #解析HTML代码，并获得解析后的对象soup
    soup = BeautifulSoup(html, 'html.parser')
    #遍历得到第一个标签
    tbody = soup.tbody
    #遍历标签的孩子，即下的所有标签及字符串
    for tr in tbody.children:
        #排除字符串
        if isinstance(tr, bs4.element.Tag):
            #使用find_all()函数找到tr标签中的所有标签
            u = tr.find_all('td')
            #将标签中的字符串内容写入列表ulist
            ulist.append([u[0].string, u[1].string, u[2].string, u[3].string])

def display_urank(ulist):
    '''格式化输出大学排名'''
    tplt = "{:^5}\t{:{ocp}^12}\t{:{ocp}^5}\t{:^5}"
    #方便中文对其显示，使用中文字宽作为站字符，chr(12288)为中文空格符
    print(tplt.format("排名", "大学名称", "省市", "总分", ocp = chr(12288)))
    for u in ulist:
        print(tplt.format(u[0], u[1], u[2], u[3], ocp = chr(12288)))

def write_in_file(ulist, file_path):
    '''将大学排名写入文件'''
    tplt = "{:^5}\t{:{ocp}^12}\t{:{ocp}^5}\t{:^5}\n"
    with open(file_path, 'w') as file_object:
        file_object.write('软科中国最好大学排名2019版：\n\n')
        file_object.write(tplt.format("排名", "大学名称", "省市", "总分", ocp = chr(12288)))
        for u in ulist:
            file_object.write(tplt.format(u[0], u[1], u[2], u[3], ocp = chr(12288)))

def main():
    '''主函数'''
    ulist = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
    file_path = 'university rankings.txt'
    html = get_html_text(url)
    fill_ulist(ulist, html)
    display_urank(ulist)
    write_in_file(ulist, file_path)

main()

 

打印显示：

 

转载于:https://www.cnblogs.com/huwt/p/10356543.html