(参考)爬虫5-爬取中国大学排名情况

最好大学网

2018大学排名

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库和bs4库

定向爬虫：仅对输入的URL进行爬取，不扩展爬取

步骤：

1、输入url网址，查看源代码，发现信息都在HTML文件中

2、打开http://www.zuihaodaxue.cn/robots.txt，发现：not found，说明没有对爬取进行robots协议限制，可以进行爬取

3、程序的结构设计：

　　步骤1，从网络上获取大学排名网页内容，getHTMLText()

　　步骤2、提取网页内容中信息到合适的数据结构，fillUnivList()

　　步骤3、利用数据结构展示并输出结果，printUnivList()

 代码：

import requests
from bs4 import BeautifulSoup
import bs4#为了使用bs4的标签函数
#获取页面信息
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ''
#将数据存到list中
def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,'html.parser')
    #查看HTML源码发现每一所大学都在tbody标签中，这里一个tr表示一所大学
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):#判断是否为标签类型，过滤掉字符串
            tds=tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[2].string])
    #pass 
#将num个list中的数据打印显示出来,可视化输出
def printUnivList(ulist,num):
    #打印表头
    print('{:^10}	{:^6}	{:^10}'.format('排名','学校名称','总分'))
    for i in range(num):
        u=ulist[i]
        print('{:^10}	{:^6}	{:^10}'.format(u[0],u[1],u[2]))
    #print('Suc'+str(num))
#主函数
def main():
    uinfo=[]#待放入数据的列表
    url='http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html'
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)#打印20组数据
main()

结果展示:

以上程序有一个问题，就是总分一栏输出的竟然是省份，这其实是这一行代码的问题：

ulist.append([tds[0].string,tds[1].string,tds[2].string])
#这里应该改为
#ulist.append([tds[0].string,tds[1].string,tds[3].string])

更改后就没有问题了。

在这里我们的设计思路是:

先搭建程序的框架，先定义三个函数名，然后定义主函数，主函数会依次调用三个函数，然后再分别充实三个子函数，一步步的写，这是写程序的正确方法。

当遇到bug时，我们可以逐步排查，比如先运行第一个程序，看看是否已经获得html文件，再逐步检查。

代码优化：

　　format属性

　　中文对齐的问题：

：	<填充>	<对齐>	<宽度>	,	<精度>	<类型>
引号 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	整数类型b,c,d, o,x,X浮点数类型 e,E,f,%

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。

解决方法：采用中文空格填充chr(12288)

将print**函数做修改

def printUnivList(ulist,num):
    #打印表头
    tplt='{0:^10}	{1:{3}^10}	{2:^10}'#定义模板
    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)))

输出结果如下：发现输出已经居中