007 Python网络爬虫与信息提取 中国大学排名爬虫

[A] 中国大学排名定向爬虫实例介绍

　　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：request，bs4

　　　　定向爬虫：仅对输入URL进行爬取，不拓展爬取

　　程序的结构设计：

　　　　步骤1：从网络上获取大学排名网页内容

　　　　　　　　定义函数：getHTMLText()

　　　　步骤2：提取网页内容中信息到合适的额数据结构

　　　　　　　　定义函数：fillUnivList()

　　　　步骤3：利用数据结构展示并输出结果

　　　　　　　　定义函数：printUnivList()

[B] 中国大学排名定向爬虫实例编写

　　　　定义了三个函数，分别用来 1. 获取，2. 保存 和 3. 展示所爬取的结果

import requests
from bs4 import BeautifulSoup
import bs4

# 中国大学排名

# 1. 从url中获取所需html代码并返回
def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''


# 2. 从获取到的html代码中解析出所需要的的数据保存在列表中并返回
def fillUnivList(html):
    ulist = []
    sublist = []
    soup = BeautifulSoup(html, 'html.parser')
    text = soup.tbody
    for tr in soup.find('tbody').children:
        tds = tr('td')
        for item in tds:
            sublist.append(item.string)
        ulist.append(sublist)
        sublist = []
    return ulist


# 3. 根据输入的信息，按要求打印出相应数据
def printUnivList(ulist, start, end):
    print('{:^10}{:^12}{:^15}'.format('排名', '学校名称', '分数'))
    for i in range(start, end+1):
        print('{:^10}{:^12}{:^15}'.format(ulist[i][0], ulist[i][1], ulist[i][2]))


# 主程序
def main():
    url = 'http://www.gaosan.com/gaokao/299262.html'
    html = getHTMLText(url)
    uinfor = fillUnivList(html)
    printUnivList(uinfor, 5, 30)


# 运行主程序
main()

 　　运行结果：

[C] 中国大学排名定向爬虫实例优化

 　　　　从运行结果可以看出，每行打印的时候虽然都是点击的 tab键 来空格，但是依然没有对齐，这点需要优化

　　　　　　tplt = '{:^10} {:^12} {:^15}'.format('排名', '学校名称', '分数'))

　　　　中文对齐问题的原因：

　　　　　　　　1. 对齐格式为：

:	填充	对齐	宽度	,	精度	类型
引导符号	用于填充的单个字符	<左对齐>右对齐^居中对齐	槽的设定输出宽度	数字的千分位分隔符适用于整数和浮点数	浮点数小数部分的精度或字符串的最大输出长度	证书类型,c,d,o,x,X浮点数类型e,E,f,%

　　　　　　　　2. 当中文字符宽度不够时，此阿勇希文字符填充，而中西文字符所占用宽度不同

　　　　中文对齐问题的解决：

　　　　　　采用中文字符的空格填充 chr(12288)

　　　　　　tplt = '{0:^10} {1:{3}^12} {2:^15}'.format('排名', '学校名称', '分数', chr(12288)))

　　　　　　　　这里{3}^12表示用第三个字符(即中文字符代码)进行填充

　　　　改进后的代码：

import requests
from bs4 import BeautifulSoup
import bs4

# 中国大学排名

# 1. 从url中获取所需html代码并返回
def getHTMLText(url):
    try:
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''


# 2. 从获取到的html代码中解析出所需要的的数据保存在列表中并返回
def fillUnivList(html):
    ulist = []
    sublist = []
    soup = BeautifulSoup(html, 'html.parser')
    text = soup.tbody
    for tr in soup.find('tbody').children:
        tds = tr('td')
        for item in tds:
            sublist.append(item.string)
        ulist.append(sublist)
        sublist = []
    return ulist


# 3. 根据输入的信息，按要求打印出相应数据
def printUnivList(ulist, start, end):
    tplt = '{0:^10}	{1:{3}^12}	{2:^15}'
    print(tplt.format('排名', '学校名称', '分数', chr(12288)))
    for i in range(start, end+1):
        print(tplt.format(ulist[i][0], ulist[i][1], ulist[i][2], chr(12288)))


# 主程序
def main():
    url = 'http://www.gaosan.com/gaokao/299262.html'
    html = getHTMLText(url)
    uinfor = fillUnivList(html)
    printUnivList(uinfor, 5, 30)


# 运行主程序
main()

　　　　输出结果：