爬虫实例（中国大学排名定向排名）

功能：

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬虫：仅对输入的URL进行爬取，不扩展爬取

步骤：

1.从网络上获取大学排名网页内容

2.提取网页中信息到合适的数据结构

3.利用数据结构展示并输出结果

程序的结构设计：

1.    从网络上获取大学排名网页内容

getHTMLText()

2.    提取网页内容中信息到合适的数据结构

fillUnivList()

3.    利用数据结构展示并输出结果

printUnivList()

代码：

#-*-coding:utf-8-*-

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText()
    try:
        r = requests.get(url,timeout = 30)
        r.raise_for_statys()
        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').childen:
        if isinstance(tr,bs4.element.Tag)
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])


def printUnivList(ulist,num):
    print("{:^10}\t{:^6}\t{:10}".format("排名"， "学校名称"， "总分"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}\t{:^6}\t{:10}".format(u[0],u[1],u[2]))


def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.com/zuihaodaxuepaiming2017.html'
    html =getHTMLText(url)
 fillUnivList(uinfo,html)
    printUnivList(uinfo,20)  # 20所

结果：

中文对齐问题的原因：

当中文字符宽度不够时，采用西文字符填充；西文字符占用宽度不同

采用中文字符的空格填充chr（12288）

优化后：

#CrawUnivRankingA.py
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[3].string])

def printUnivList(ulist, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名","学校名称","总分"))
    for i in range(num):
        u=ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))

def main():
    uinfo = []
    url = 'https://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20 univs
main()