抓取网页数据(string定义函数getHTMLText()获取网页信息定义printUnivList )

　　抓取网页数据(string定义函数getHTMLText()获取网页信息定义printUnivList

)

　　Python爬虫--2019大学排名数据爬取准备输入：大学排名URL连接输出：大学排名信息屏幕输出所需库：requests,bs4获取网页信息的思路提取网页中的内容，放入数据结构，数据结构用于显示和输出结果。编程定义函数getHTMLText()获取网页信息。定义函数UnivList()放入数据结构定义函数printUnivList()中，输出到屏幕上。

　　总体：

　　查看url源码的步骤

　　分析源码看看要爬取的内容在哪里

　　

　　从图中可以看出，排名信息在标签中

　　具体信息为标签下标签中的字符串

　　定义函数getHTMLText

　　def getHMLText(url):

'''

获取url信息，输出url的内容，来抓取网页的信息

'''

try:

r = request.get(url, timeout=30)

r.raise_for_status()

r.encoding = r.apparent_encoding

return r.text

except:

return "抓取失败！"

　　定义函数UnivList()

　　def UnivList(ulist, html):

'''

提取html中的数据，放入到ulist列表，完成数据提取

'''

soup = BeautifulSoup(html, "html.parser")

for tr in soup.find('tbody').children:

if isinstance(tr, bs4.element.Tag): # 判断tr的子节点是否为非属性字符串

tds = tr('td')

# print(tds)

# print('#' * 30)

# print(tds[0], tds[0].string)

# print('#' * 30)

# print(tds[1], tds[1].string)

# print('#' * 30)

# print(tds[2], tds[2].string)

# print('#' * 30)

# print(tds[3], tds[3].string)

ulist.append([tds[0].string, tds[1].string, tds[3].string, tds[2].string])

　　定义函数 printUnivList()

　　def printUnivList(ulist, num):

'''

将ulist列表信息打印，num表示打印前多少排名的学校

'''

print("{:^3}\t{:^10}\t{:^20}\t{:^30}".format("排名", "学校名称", "总分", '地址'))

for i in range(num):

u = ulist[i]

print("{:^3}\t{:^10}\t{:^20}\t{:^30}".format(u[0], u[1], u[2], u[3]))

　　主函数 main()

　　def main():

'''

实现整个代码

'''

ulist = []

url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'

html = getHTMLText(url)

UnivList(ulist, html)

printUnivList(ulist, 100)

　　调用主函数

　　main()

　　完整代码

　　import requests

import bs4

from bs4 import BeautifulSoup

def getHMLText(url):

'''

获取url信息，输出url的内容，来抓取网页的信息

'''

try:

r = request.get(url, timeout=30)

r.raise_for_status()

r.encoding = r.apparent_encoding

return r.text

except:

return "抓取失败！"

def UnivList(ulist, html):

'''

提取html中的数据，放入到ulist列表，完成数据提取

'''

soup = BeautifulSoup(html, "html.parser")

for tr in soup.find('tbody').children:

if isinstance(tr, bs4.element.Tag): # 判断tr的子节点是否为非属性字符串

tds = tr('td')

# print(tds)

# print('#' * 30)

# print(tds[0], tds[0].string)

# print('#' * 30)

# print(tds[1], tds[1].string)

# print('#' * 30)

# print(tds[2], tds[2].string)

# print('#' * 30)

# print(tds[3], tds[3].string)

ulist.append([tds[0].string, tds[1].string, tds[3].string, tds[2].string])

def printUnivList(ulist, num):

'''

将ulist列表信息打印，num表示打印前多少排名的学校

'''

print("{:^3}\t{:^10}\t{:^20}\t{:^30}".format("排名", "学校名称", "总分", '地址'))

for i in range(num):

u = ulist[i]

print("{:^3}\t{:^10}\t{:^20}\t{:^30}".format(u[0], u[1], u[2], u[3]))

def main():

'''

实现整个代码

'''

uinfo = []

url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'

html = getHTMLText(url)

fillUnivList(uinfo, html)

printUnivList(uinfo, 100)

main()