通過一個簡單的資料擷取初步認識爬蟲,例如從中國大學排名網站擷取大學排名
大學排名爬蟲的建構需要三步:
第一,從網絡上擷取網頁内容
第二,分析網頁内容并提取有用的資料到資料結構中
第三,利用資料結構展示或進每一步資料處理
具體說就是采用request庫爬取網頁内容,用beautsoup4庫分析網頁中的資料,提取答案學排名及相關資料,儲存在二位清單中,最後采取使用者偏好的方式展示出來
代碼如下
import requests
from bs4 import BeautifulSoup
allUniv = []
def getHTMLText(url):
try:
r = requests.get(url,timeout=30)
r.raise_for_status()
r.encoding = 'utf-8'
return r.text
except:
return ""
def fillUnivList(soup):
data = soup.find_all('tr')
for tr in data:
ltd = tr.find_all('td')
if len(ltd)==0:
continue
singleUniv = []
for td in ltd:
singleUniv.append(td.string)
allUniv.append(singleUniv)
def printUnivList(num):
print("{1:^2}{2:{0}^10}{3:{0}^6}{4:{0}^4}{5:{0}^10}".format(chr(12288),"排名","學校名稱","省市","總分","培養規模"))
for i in range(num):
u=allUniv[i]
print("{1:^4}{2:{0}^10}{3:{0}^5}{4:{0}^8.1f}{5:{0}^10}".format(chr(12288),u[0],u[1],u[2],eval(u[3]),u[6]))
def main(num):
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
html = getHTMLText(url)
soup = BeautifulSoup(html, "html.parser")
fillUnivList(soup)
printUnivList(num)
main(30)
最後main()裡面的數可以改變擷取前多少名的資料。
接下來看一下運作結果