在正式爬取之前，先做一个试验，看一下爬取的数据对象的类型是如何转换为列表的：

写一个html文档:

x.html
<html><head><title>This is a python demo page</title></head>

<body>

  <p class="title">

     <a>The demo python introduces several python courses.</a>

     <a href="http://www.icourse163.org/course/BIT-133" class="py1" id="link1">Basic Python</a>

  </p>

  <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

     <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and

     <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>

  </p>

</body></html>
# coding:utf-8

from bs4 import BeautifulSoup

import requests

import bs4

soup = BeautifulSoup(open('D:/x.html', encoding='utf-8'), "html.parser")

print(soup.find('body',).children)  # .children返回可迭代对象，不是列表，需要用for循环遍历其中的内容

for t in soup.find('body').children:  迭代<body>标签的儿子节点

    if isinstance(t, bs4.element.Tag):  # 判断子节点是否为Tag对象(因为子节点会包含如换行符之类的节点)

        print('body的子标签的内容是：', t)   # 查看t变量获得的对象内容，body的子标签为p标签，一组<p></p>表示一个对象

        print('t的类型是：', type(t))  # 查看t的类型

可以看到每个t对象的类型是bs4.element.Tag，也就是标签对象。

那么，如果要从每个t对象中获取a标签的内容，并把所有a标签都保存到一个列表中，该如何做?

可以使用：

list = t('a')  # t('a')会生成一个bs4.element.ResultSet类型的数据对象，实际上就是Tag列表
for t in soup.find('body').children:

    if isinstance(t, bs4.element.Tag):  # 判断子标签是否为Tag对象(因为子节点会包含如换行符之类的节点)

        # print('body的子标签的内容是：', t)   # 查看t变量获得的对象内容

        # print('t的类型是：', type(t))  # 查看t的类型

        list = t('a')  # 循环获取每个t对象中的所有a标签，并保存到一个列表中

        print(list)

        print(type(list))

        print('每个p标签的第一个a标签的内容：', list[0].string)  # a标签保存到列表后，便可以利用列表方法解析出其中的具体每个a标签对象，并利用.string获取标签字符串

接下来就可以正式编写爬虫了：

分析网页源代码

可以看到需要的一些信息如大学排名、大学名称、地址、分数等分别在如图标注的地方，每个大学信息所在的标签结构如下：所有大学信息都在<tbody>标签下，每个大学都在各自的<tr>标签，然后大学自身的排名、名称、地址等信息都分别由一个<td>标签包裹。

思路如下：先找到<tbody>下的所有标签内容，然后再从中找出所有<tr>标签内容（为什么不直接用find_all()找<tr>?因为不只有我们需要的大学信息用到了<tr>标签，<tbody>之外也有用到<tr>标签来包裹内容的）。

我要把每个学校的“排名、名称、地址、分数”的值都取出来，并且把每组数据都各自装在一个列表中，然后再把每个列表依次加到一个大列表里

（1）直接处理数据

from bs4 import BeautifulSoup

import requests

import bs4

url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

r = requests.get(url)

r.encoding = r.apparent_encoding  # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'

html = r.text

soup = BeautifulSoup(html, 'html.parser')  # 获取爬取网页的BeautifulSoup对象

for tr in soup.find('tbody').children:

    if isinstance(tr, bs4.element.Tag):

        td = tr('td')
        print(td)

        t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析出的数据各自装到一个列表中
        print(t)

打印td的结果：

打印t的结果如下，其实排名信息已经可以看出来了

然后依次把每个大学信息写入一个文本文档：

from bs4 import BeautifulSoup

import requests

import bs4

url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

r = requests.get(url)

r.encoding = r.apparent_encoding  # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'

html = r.text

soup = BeautifulSoup(html, 'html.parser')  # 获取爬取网页的BeautifulSoup对象

for tr in soup.find('tbody').children:

    if isinstance(tr, bs4.element.Tag):

        td = tr('td')

        t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析出的数据各自装到一个列表中print(t)

        with open('D:/test.txt','a') as data:   # 以'a'模式打开文件，即可不停的追加写入而不改变原内容
             print(t, file=data)

（2）把代码封装，写到函数中

# coding:utf-8

import requests

import bs4

from bs4 import BeautifulSoup

def get_html(url):
   """定义获取网页源码函数"""

    try:

        r = requests.get(url, timeout=20)

        r.encoding = r.apparent_encoding

        return r.text

    except:

        return None

def get_data(html, list):
   """定义从网页源码获取数据并处理数据函数"""

    soup = BeautifulSoup(html, 'html.parser')

    for tr in soup.find('tbody').children:

        if isinstance(tr, bs4.element.Tag):

            td = tr('td')

            t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析处的数据各自装到一个列表中

            list.append(t)   # 把每个学校信息列表都追加到一个大列表中，方便后面写入文件

            # return list  # 不能加return,造成的后果就是第一次循环时就把结果返回出去了，只取到了第一条数据

def write_data(ulist, num):   # num参数，控制提取多少组数据写入文件
   """定义把数据写入文件函数"""

    for i in range(num):

        u = ulist[i]

        with open('D:/test.txt', 'a') as data:

            print(u, file=data)

if __name__ == '__main__':

    list = []  # 我之前是把list=[]放到get_data()函数的for循环里面了，导致每次循环都会先清空列表，然后再追加数据，结果最后遍历完只剩最后一组数据。。。
    url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html' 
    html = get_html(url) 
    get_data(html, list) 
    write_data(list, 20)

把结果输出到屏幕(老师给出的代码)
# coding: utf-8

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[2].string, tds[3].string])

#

#

#

# def printUnivList(ulist, num):

#     print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format('排名', '学校名称', '地区', '总分'))

#     for i in range(num):

#         u = ulist[i]

#         print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format(u[0], u[1], u[2], u[3]))

#

#

# def main():

#     uinfo = []

#     url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

#     html = GetHTMLText(url)

#     fillUnivList(uinfo, html)

#     printUnivList(uinfo, 20)

#     return uinfo

#

#

# if __name__ == '__main__':

#     t = main()

python爬虫学习(二)：定向爬虫例子-->使用BeautifulSoup爬取"软科中国最好大学排名-生源质量排名2018"，并把结果写进txt文件的更多相关文章

  1. python爬虫学习(三)：使用re库爬取"淘宝商品"，并把结果写进txt文件

    第二个例子是使用requests库+re库爬取淘宝搜索商品页面的商品信息 (1)分析网页源码 打开淘宝,输入关键字“python”,然后搜索,显示如下搜索结果 从url连接中可以得到搜索商品的关键字是 ...

  2. Python爬虫学习==>第十章：使用Requests+正则表达式爬取猫眼电影

    学习目的: 通过一个一个简单的爬虫应用,初窥门径. 正式步骤 Step1:流程框架 抓取单页内容:利用requests请求目标站点,得到单个页面的html代码,返回结果: 正则表达式分析:根据html ...

  3. 爬虫学习（九）——登录获取cookie爬取

    import urllib.requestimport urllib.parseimport http.cookiejar # http.cookiejar 该包是专门对网页的cookie只进行获取的 ...

  4. 2.Python爬虫入门二之爬虫基础了解

    1.什么是爬虫 爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来.想抓取什么?这个由你来控制它咯. ...

  5. Python爬虫入门二之爬虫基础了解

    1.什么是爬虫 爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来.想抓取什么?这个由你来控制它咯. ...

  6. 转 Python爬虫入门二之爬虫基础了解

    静觅 » Python爬虫入门二之爬虫基础了解 2.浏览网页的过程 在用户浏览网页的过程中,我们可能会看到许多好看的图片,比如 http://image.baidu.com/ ,我们会看到几张的图片以 ...

  7. Python爬虫学习之使用beautifulsoup爬取招聘网站信息

    菜鸟一只,也是在尝试并学习和摸索爬虫相关知识. 1.首先分析要爬取页面结构.可以看到一列搜索的结果,现在需要得到每一个链接,然后才能爬取对应页面. 关键代码思路如下: html = getHtml(& ...

  8. PYTHON 爬虫笔记九:利用Ajax+正则表达式+BeautifulSoup爬取今日头条街拍图集（实战项目二）

    利用Ajax+正则表达式+BeautifulSoup爬取今日头条街拍图集 目标站点分析 今日头条这类的网站制作,从数据形式,CSS样式都是通过数据接口的样式来决定的,所以它的抓取方法和其他网页的抓取方 ...

  9. Python基础学习二

    Python基础学习二 1.编码 utf-8编码:自动将英文保存为1个字符,中文3个字符.ASCll编码被囊括在内. unicode:将所有字符保存为2给字符,容纳了世界上所有的编码. 2.字符串内置 ...

随机推荐

  1. 【题解】Luogu P2319 [HNOI2006]超级英雄

    原题传送门 这道题就是一个很简单的二分图匹配 二分图匹配详解 一开始想的是2-sat和网络流,根本没想匈牙利和HK 这道题只要注意一点:当一个点匹配不成功之后就直接退出 剩下的就写个二分图最大匹配就行 ...

  2. mvc 前端校验

    首先解决 Ajax.BeginFor异步提交表单,给表单添加样式的问题.不能直接用class属性,网上找了很多都是用ClassName,经过测试不管用,看源代码发现生成的是ClassName而非cla ...

  3. docker 容器配置tocmat时间不统一

    1.在tomcat配置文件bin下 vim   setenv.sh #!/bin/bashCATALINA_OPTS='-Duser.timezone=Asia/Shanghai'export CAT ...

  4. [内核驱动] miniFilter 内核层与应用程序通信

    转载:http://blog.csdn.net/heyabo/article/details/8721611 转载:http://www.cnblogs.com/ljinshuan/archive/2 ...

  5. 牛客网数据库SQL实战(6-10)

    6.查找所有员工入职时候的薪水情况,给出emp_no以及salary, 并按照emp_no进行逆序CREATE TABLE `employees` (`emp_no` int(11) NOT NULL ...

  6. size_t和unsigned int区别

    size_t和unsigned int有所不同,size_t的取值range是目标平台下最大可能的数组尺寸,一些平台下size_t的范围小于int的正数范围,又或者大于unsigned int.最典型 ...

  7. Collection与Collections的区别

    Collection是集合类的上级接口,继承与他有关的接口主要有List和Set Collections是针对集合类的一个帮助类,他提供一系列静态方法实现对各种集合的搜索.排序.线程安全等操作 稍微举 ...

  8. java.lang.OutOfMemoryError：GC overhead limit exceeded

    在调测程序时报java.lang.OutOfMemoryError:GC overhead limit exceeded 错误 错误原因:在用程序进行数据切割时报了该错误.由于在本地执行数据切割测试的 ...

  9. 1、iptables-netfilter基础

    .iptables: 包过滤型防火墙功能.四表五链 .iptables规则.规则管理工具.iptables命令 .iptables链管理.规则管理.查看等 .iptables匹配条件.目标.显式扩展. ...

  10. [UVA-11100] The Trip

    题目大意 大箱子能装小箱子,求在满足最少箱子的情况下,最小化每个箱子中最大的箱子个数. 解析 想到二分枚举箱子数,然后贪心的选择放进箱子的位置. 最优策略一定是将最大的 \(m\) 个先找出来,然后把 ...