python爬虫小案例_中国大学排名（2021.02.22）

之前在 2019 年 就爬过了，可 点击 查看，现在为什么又写一遍呢？

引子

有网友反馈 说 爬不了，那就更新一版目前最新的

1、进入 https://www.shanghairanking.cn/rankings/bcur/202011 ，先按F12 查看 一下，找到我们需要爬取的数据

步骤如下：

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()

 参考代码如下：

import requests
import bs4
from bs4 import BeautifulSoup
 
def getHTMLText(url):
    '''从网络上获取大学排名网页内容'''
    try:
        r = requests.get(url, timeout=30)
        # #如果状态不是200，就会引发HTTPError异常
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""
 
def fillUnivList(ulist, html):
    '''提取网页内容中信息到合适的数据结构'''
    soup = BeautifulSoup(html, "html.parser")
    # 查找html中tbody标签的所有 子标签
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):            
            index = tr('td')[0].text.replace('\n','').replace(' ','')
            name  = tr('a',class_='name-cn')[0].text.replace('\n','').replace(' ','')
            score = tr('td')[4].text.replace('\n','').replace(' ','')
            ulist.append([index, name, score])
 
def printUnivList(ulist, num):
    ''' 打印前 num 名的大学'''
     # {1:{3}^10} 中的 {3} 代表取第三个参数
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}" 
    print(tplt.format("排名","学校名称","总分",chr(12288))) # chr(12288) 代表中文空格
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288))) # chr(12288) 代表中文空格 
 
def main():
    uinfo = []
    url = 'https://www.shanghairanking.cn/rankings/bcur/202011'
    html = getHTMLText(url)# 获取大学排名网页内容
    fillUnivList(uinfo, html)#提取网页内容中信息   
    printUnivList(uinfo, 30) #输出结果 
 
main()

结果如下：