python爬虫-中国大学排名定向爬虫

中国大学排名定向爬虫

内容是根据中国大学嵩天老师的python网络爬虫与信息提取课程进行的
这个网站没有rebot协议

功能描述：

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URL进行爬取，不扩展爬取。

程序的结构设计

步骤1：从网络上获取大学排名网页内容 http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html

步骤2：提取网页内容中信息到合适的数据结构

步骤3：利用数据结构展示并输出结果

代码 v1.0.py

import requests          
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)      # 获取url信息，设置timemout时间
        r.raise_for_status()                   # 产生异常信息，判断是否连接成功
        r.encoding = r.apparent_encoding       # 修改编码
        return r.text                          # 网页信息返回给程序其他部分
    except:
        return ""                              # 如果出现，错误返回空字符

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")   
    for tr in soup.find('tbody'):     # url中大学信息在tbody标签中，查找tbody
        if isinstance(tr, bs4.element.Tag):    # 检查tr标签的类型，所以需要引入bs4库
            tds = tr('td')                     # tr的td标签存为tds
            ulist.append([tds[0].string, tds[1].string, tds[2].string])  # 增加需要的字段

def printUnivList(ulist, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名",  "学校名称",  "总分"))  # 表头，用format实现
    for i in range(num):
        u = ulist[i]      # 第i所大学用 u 代替                                    
        print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))   # 打印出需要的相关信息

def main():
    uinfo = []                                 # 大学信息加到一个列表中
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html"   # 大学排名的链接
    html = getHTMLText(url)                    # 将url内容转换为HTML
    fillUnivList(uinfo, html)                  #  将HTML提取后的信息放在uinfo变量中
    printUnivList(uinfo, 20)                   # 打印大学信息，相关的20 unvis
main()

优化：

虽然实现了输出，但排版并不整齐。

中文对齐的原因: 当中文字符宽度不够时，采用西文字符填充；中西文字符占用宽度不同导致的。

解决方法：采用中文字符的空格填充，使用chr（12288）

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'):
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])

def printUnivList(ulist, num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    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.com/zuihaodaxuepaiming2019.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)  # 20 unvis
main()