Python爬虫实战：2017中国最好大学排名

抓取内容：

从最好大学网上抓取中国前10的大学排名、大学名称、总分，并数据格式左对齐。 http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html

首先，看下网站的Robots协议，没有找到相关协议，可以抓取。 http://www.zuihaodaxue.cn/robots.txt

接下来开始整理思路：

• 获取网页信息
• 填充列表数据
• 输出列表数据，并进行格式化
• 输出结果

完整代码：

 import requests
 from bs4 import BeautifulSoup
 import bs4

 # 获取网页信息的通用框架
 def getHtmlText(url):
     try:
         r = requests.get(url, timeout = 30)
         r.raise_for_status()
         r.encoding = r.apparent_encoding
         return r.text
     except:
         return '爬取失败'

 # 填充列表
 def fillUnivList(ulist, html):
     soup = BeautifulSoup(html, 'lxml')
     for tr in soup.find('tbody').children:
         # 检查网页代码可以发现数据都储存在tboyd标签中，这里需要对tbody的儿子节点进行遍历
         if isinstance(tr, bs4.element.Tag):
             # 检测标签类型，如果不是bs4库支持的Tag类型，就过滤掉，这里需要先导入bs4库
             tds = tr('td')
             # 解析出tr标签中的td标签后，将其储存在列表tds中
             ulist.append([tds[0].string, tds[1].string, tds[3].string])
             # 我们需要的是排名、学校名称和总分

 # 格式化后，输出列表数据
 def printUnivList(ulist, num):
     tplt = '{:<10}\t{:<10}\t{:<10}'
     # 定义输出模板为变量tplt，\t为横向制表符，<为左对齐，10为每列的宽度
     print(tplt.format('排名','学校名称','总分'))
     # format()方法做格式化输出
     for i in range(num):
         u = ulist[i]
         print(tplt.format(u[0],u[1],u[2]))

 def main():
     uinfo = []
     url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html'
     html = getHtmlText(url)
     fillUnivList(uinfo, html)
     printUnivList(uinfo, 10)
     # 选取前10所学校信息
 main()

运行结果：

操作环境：Mac，Python 3.6，PyCharm 2016.2

参考资料：中国大学MOOC课程《Python网络爬虫与信息提取》

-----   End   -----

更多精彩内容关注我公众号：杜王丹

作者：杜王丹，互联网产品经理