python爬虫（中国大学排名定向爬虫--解析）

需要爬取的网页：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

右键单击 -> 查看网页源代码：

找到需要爬取的信息的位置：(可以Ctrl+F  搜索 "清华大学"  快速找到位置)

自诩观察网页源代码可以发现：

1. 所有的大学信息都放在了 <tbody> 标签下 
2. 每个大学信息都放在了对应的 <tr> 标签下 
3. 每个大学的每一条信息都放在了对应的 <td> 标签中 

打开网页：http://www.zuihaodaxue.cn/robots.txt  检查定向爬虫的可行性，404证明定性爬虫没有被限制

编写代码：

import requests
from bs4 import BeautifulSoup
import bs4

#爬取网页信息代码:
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)#爬取信息
        r.raise_for_status()#异常识别
        r.encoding=r.apparent_encoding#修改编码
        return r.text#返回text
    except:
        return ""#异常返回 空

#提取出html代码中的大学信息存储到ulist列表中
def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,"html.parser")#解析 html
    for tr in soup.find('tbody').children:#遍历tbody的孩子标签 每个tr代表一所大学
        if isinstance(tr,bs4.element.Tag): #过滤掉非标签类型的元素
            tds=tr('td')#等价于 tr.find_all('td')
            #存储所有的td标签的内容
            ulist.append([tds[0].string,tds[1].string,tds[3].string])#排名  名称  得分(tds[3])  加入到列表中

#输出ulist列表中前num个大学信息
def printUnivList(ulist,num):
    tplt="{0:^10}\t{1:^10}\t{2:^10}"#输出模板变量
    print(tplt.format("排名","学校名称","总分",chr(12288)))#print的format格式化输出,并填充中文空格,使得界面更加美观
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))

#主函数
def main():
    uinfo=[]
    url="http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"#将要爬取的url
    #调用编写好的功能函数
    html=getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)

main()#调用主函数

程序运行结果：

参考课程：中国大学MOOC_北京理工大学_Python网络爬虫与信息提取

本文地址：https://blog.csdn.net/qq_44786250/article/details/107128362