小白Python爬虫入门实例1——爬取中国最好大学排名

中国大学慕课python网络爬虫与信息提取——定向爬虫“中国最好大学排名信息爬取”

由于课程中老师给的案例有些许瑕疵，加之至今该网页的首页已经更新，原网址已不存在，因此笔者在老师给的代码基础上进行一些更改。

目录

一、慕课函数及实现展示

 二、源代码更新

1、首先是对课程中源代码的执行结果进行分析：

2、网址更新：

3、新的网页源代码分析：

 4、更新后的源代码：

 三、声明

---

一、慕课函数及实现展示

所爬取网页的部分代码

慕课课程上老师给出的源代码

import bs4
from bs4 import BeautifulSoup
import requests

def getHTMLText(url):
    try:
       r = requests.get(url,timeout = 30)
       r.encoding = r.apparent_encoding
       r.raise_for_status()
       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])
def printUnivList(ulist,num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名","学校","分数"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0],u[1],u[2]))
def main():
    uninfo = []
    url = 'https://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uninfo,html)
    printUnivList(uninfo,20)  #20 univs
main()

老师的运行结果

 二、源代码更新

1、首先是对课程中源代码的执行结果进行分析：

根据老师的执行结果来看，总分对应的并不是分数，而是地点，说明老师取到的数据没有对应。根据原网址提供的网页代码我们可以看出，在清华大学所在的“tr”标签中，第一个“td”包含的是大学排名；第二个“td”中包含的是大学名称的信息；第三个“td”中包含的是地点信息；第四个“td”中才是分数信息。

我们再来看老师的代码：此时老师将tds[2]加入到列表中，此处的‘tds[2]’取到的正式“tr”标签中的第三个“td”的信息，因此，此处应该将"tds[2]"改为“tds[3]”才对。

tds = tr('td')
ulist.append([tds[0].string,tds[1].string,tds[2].string])

2、网址更新：

其次，因为网址的更新，代码中url的网址应该更改为“https://www.shanghairanking.cn/rankings/bcur/2021”

最后的数字“2021”代表的是年份，可按需更改，网址页面如下：

3、新的网页源代码分析：

对网页进行元素检查，可以发现，我们所需要爬取的学校信息依旧是存放在一个“tbody”标签下

 每一个“tr”标签包含一所学校的信息，其中我们需要爬取的内容有：第一个“td”标签是学校排名，第二个“td”标签中包含的学校信息，以及第倒数第二个“td”标签所包含的总分信息。

 4、更新后的源代码：

import bs4
from bs4 import BeautifulSoup
import requests

def getHTMLText(url):
    try:
       r = requests.get(url,timeout = 30)
       r.encoding = r.apparent_encoding
       r.raise_for_status()
       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')    #将tr中的td以列表的形式保存在tds中
            a = tr('a')     #第二个td标签中的学校名称信息包含在第一个a标签中，此步是为了把所有a标签存放在一个列表中
            ulist.append([tds[0].string,a[0].string,tds[4].string])#选取tr中的第一个td作为排名，第一个a作为学校名称，第5个td作为总分。

def printUnivList(ulist,num):
    print("{:^10}\t{:^10}\t{:^30}".format("排名","学校","分数"))
    for i in range(num):
        u = ulist[i]
        print(("{:^10}\t{:^10}\t{:^25}".format(u[0].split()[0],u[1].split()[0],u[2].split()[0])))#split（）函数是为了将取到值的空格去除，不然输出的结果没有对齐，不够美观
def main():
    uninfo = []
    url = 'https://www.shanghairanking.cn/rankings/bcur/2021'
    html = getHTMLText(url)
    fillUnivList(uninfo,html)
    printUnivList(uninfo,20)  #20 univs
main()

 三、声明

本人是学习python爬虫路上的一名小白，如有不当之处（轻喷，小白需要鼓励），欢迎大佬们批评指正。

（ps:爬虫过程中需要先查看该网站是否允许爬虫访问相关内容，具体查询方法为浏览器中输入“网址/robots.txt”）