《python网络爬虫与信息提取》——实例1：中国大学排名爬取

最近在刷北京理工大学的pyhton课程，因为在学基础，就想着想把当时的心得和想法记录下来，同时做一个总结。
我在看这个课程的时候，课程已经是2016年的了，所以嵩天老师上面讲的爬取中国大学排名的代码已经不适用了，所以想在这里更新一下：
首先中国大学排名的网站已经变更，变成：https://www.shanghairanking.cn/rankings/bcur/2021

其次所要爬取的内容框架有点不一样了。
好了，我们接下来谈怎么爬取吧。
这是效果图：

还是按照课程的要求，我采用requests库和beautifulsoup库，其中我还加了re库（正则表达式库，这是自带的不用安装）
功能需求：
输入：大学排名的url链接
输出：大学排名的屏幕信息（包括排名，大学名称，总分，层次）
技术路线：requests，bs4，re
定向爬虫：仅对输入的url链接爬取
爬虫的第一步，应该先看看该网站是否可以爬取，通过查看robot协议，该网站是允许爬取的。

import requests
from bs4 import BeautifulSoup #B和S要大写！！！这里吃了亏。。。。
import re

#获取网页数据
def getunivText(url):
	try:
		r = requests.get(url)
		r.raise_for_status()
		r.encoding = r.apparent_encoding
		return r.text
	except:
		return ""

def fillunivList(ulist,html):
	soup = BeautifulSoup(html,'html.parser') #使用html.parser解析html文本，以便使用soup搜索。
	for tr in soup.find('tbody').children:
    	tds = tr.find_all('td')
    	temp = []
    	for i in [0,1,4,5]:
        	if i !=1:
            	t = tds[i].string
            	temp.append(re.sub('s*|n','',t))
        	else:
            	t = tds[i].find('a')
            	temp.append(temp.string)
    	ulist.append(temp)
    return ulist

这部分是核心部分，通过查看网页的F12，发现我们所要的数据都在tbody这个标签里面：

tbody下面的每一个tr标签里面的内容就是一所大学的信息：

经观察tr标签下面的td标签，总共有6个，其中第1个，第2个，第5个，第6个才是我们所要的排名，名称，总分，办学层次的数据，其中第2个标签内，清华大学的名称还不在td标签内，在a标签内

所以用了一个if条件判断，来独立获取大学的名称信息。
这句：

	for i in [0,1,4,5]:
        	if i !=1:
            	t = tds[i].string
            	ulist.append(re.sub('s*|n','',t))
        	else:
            	temp = tds[i].find('a')
            	ulist.append(temp.string)

而re.sub(’s*|n’,’’,t)，的含义是将字符串t中的空格（多个或者一个）以及换行符n替换成空。因为在获取.string的过程中发现了字符串里有干扰字符空格和换行符。

def printunivRank(ulist,num):
	print('{0:^4}t{1:^10}tt{2:^5}t{3:^5}'.format('排名','大学名称','总分','办学层次'))
	for i in range(num):
		a,b,c,d = ulist[i]
		print('{0:{4}^4}t{1:{4}^10}t{2:{4}^5}t{3:{4}^5}'.format(a,b,c,d,chr(12288)))

def main():
	url = 'https://www.shanghairanking.cn/rankings/bcur/2021'
	html_text = getunivText(url)
	unilist = [] #创建存储排名数据列表
	fillunivList(unilist,html_text)
	print(printunivRank(unilist,20))
main()

完整代码：

import requests
from bs4 import BeautifulSoup
import re
#创建获取网页数据的函数geunivText
def getnuivText(url):
    try:
        r = requests.get(url)
        r.raise_for_status
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ''
#创建解析函数并将爬取的目标数据存储
def fillunivList(ulist,html):
   soup = BeautifulSoup(html,'html.parser')
   for tr in soup.find('tbody').children:
      tds = tr.find_all('td')
      temp = []
      for i in [0,1,4,5]:
         if i != 1:
            t = tds[i].string
            temp.append(re.sub('s*|n','',t))
         else:
            t = tds[i].find('a')
            temp.append(t.string)
      ulist.append(temp)
   return ulist
#创建打印函数
def printunivRank(ulist,num):
   print('{0:^4}t{1:^10}tt{2:^5}t{3:^5}'.format('排名','大学名称','总分','办学层次'))
   for i in range(num):
      a,b,c,d = ulist[i]
      print('{0:{4}^4}t{1:{4}^10}t{2:{4}^5}t{3:{4}^5}'.format(a,b,c,d,chr(12288)))
def main():
   url = 'https://www.shanghairanking.cn/rankings/bcur/2021'
   html_text = getnuivText(url)
   unlist = []
   fillunivList(unlist,html_text)
   print(printunivRank(unlist,20))
main()

输出结果：

环境：
python 3.8
使用的是集成包anacoda
win10
64位
OVER~