python爬虫学习 之 定向爬取 中国大学排名

python爬虫学习 之 定向爬取 中国大学排名

输入：大学url链接
输出：大学排名的屏幕输出（排名，名称，所在省份）
技术路线：requests-bs4
定向爬虫，不扩展获取

1、爬取可行性分析
2、程序结构设计

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()

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""


def fillUnivList(ulist,html):
    soup = BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds=tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])



def printUnivList(ulist,num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    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)))

    print("Suc"+str(num))


def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20 universities

main()

针对中文字符与英文字符输出时的对齐问题

由于中文与英文所占字符长度不同，导致填充时很难对其，采用中文的填充字符：chr(12288)
tplt = “{0:^10}\t{1:{3}^10}\t{2:^10}”
print(tplt.format(“排名”,”学校名称”,”总分”,chr(12288)))