python爬虫之bs4内容补充及爬取大学排名（四）

我们前面提到过bs4及其一些基本用法，但是并没有涉及到真正爬取一个网页我们具体应该如何编写其代码，以及我们如何实现一个真正的例子
我们这篇就作为补充内容（涉及到与requests以及正则表达式的共同使用）
主要内容为基于bs4来进行HTML内容的遍历与编码
参考视频中国大学生慕课网-北京理工大学–python网络爬虫与信息提取视频

---

HTML遍历方法

HTML基本格式（HTML标签树如下所示）
我们需要遍历其中的结点或所有结点，有如下几种遍历方式

下行遍历

属性	说明
.contents	子节点的列表，将tag标签所有的儿子结点存入列表
.children	子节点的迭代类型，与.contents类似，用于循环遍历儿子结点
.descendants	子孙结点的迭代类型，包含所有的子孙结点，用于循环遍历

e.g.

soup = Beautifulsoup(demo, "html.parser")
for parent in soup.a.parents:
	if parent is None:
		print(parent)
	else:
		print(parent.name)

上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈标签的迭代类型，用于循环遍历i鲜卑结点

平行遍历

属性	说明
.next_sibling	返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling	返回按照HTML文本顺序的上一个平行节点标签
.next_siblings	迭代类型，返回按照HTML文本顺序的后续所有平行结点标签
.previous_siblings	迭代类型，返回按照HTML文本顺序的前续所有平行结点标签

需要遍历所有的利用for循环
e.g.

for sibling in soup.a.next_siblings:
	print(sibling)

下图是所有的遍历操作的概括图：

HTML格式化

根据前面我们编写的很多例子，我们可以知道我们打印出来的HTML内容都是比较混乱的，我们很难知道它的结构以及我们河南找到我们期望的内容和标签，故我们需要让HTML有好的显示

即要使用我们的prettify()
e.g.

from bs4 import Beautifulsoup
soup = BeautifulSoup(demo, "html.parser")
print(soup.prettify())

我们可以很清晰的看到HTML标签树的结构

爬取中国大学排名

我们再来一个例子进一步的了解一下bs4的使用

• 下述为一个基本框架：

import requests

from bs4 import BeautifulSoup
import bs4

#获取我们的页面的文本内容
def getHTMLText(url):
	return ""
	
#提取我们期望的信息
def fillUnivList(ulist, html):
	return ""
	
#以一定的形式打印出来
def printUnivList(ulist, num):
	print("")

#主函数部分，调用我们的函数即可，得到我们的网址
def main():
	uinfo = []
	url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
	html = getHTMLText(url)
	fillUnivList(uinfo, html)
	printUnivList(uinfo, 20)

main()

• 获取网页内容模块（这一部分我们在前面经常涉及到，故不再阐述）

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

• 提取信息
  先在原网站 – 右键查看原网页 — CTRL+F查找清华大学
  得到如下界面
  
  由于我们在原网页中找到我们期望的排名对应的标签，发现是在tbody 中，且由tr包裹，最后每一项又是由td承接，故我们的for循环如下：
  首先找到tbody标签，在其内部进行循环，isdistance用来查找与其邻近的tr标签，然后将其三个信息存储在列表中

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])

• 打印模块

def printUnivList(ulist, num):
	tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
	print(tplt.format("排名", "学校", "总分", chr(12288)))
	for i in range(num):
		u = ulist[i]
		print(tplt.format(u[0], u[1], u[2], chr(12288)))

由于我们打印是中文字符，故最后显示的时候会导致一些不规整，不美观，故我们设置了tplt其正则表达式形式，以及chr(12288)来表示中文显示，使其能居中对齐

效果如下：（由于我们在主函数中只选择20项，故只打印前20的排名）

---

关于我们的bs4的内容补充的学习就到此结束啦！