中国大学排名爬虫

• 功能描述：
• 输入：大学排名URL链接：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html
• 输出：大学排名信息的屏幕输出（排名，大学名称，总分）
• 技术路线：requests-bs4
• 定向爬虫：仅对输入的URL链接进行爬取，不扩展爬取。

                               

• 程序的程序设计：
• 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())

    格式化输出：

        

• 爬虫代码：

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):
    print("{:^10}	{:^6}	{:^10}".format("排名", "学校名称", "总分"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}	{:^6}	{:^10}".format(u[0], u[1], u[2]))
 
#主函数
def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20所大学
main()

• 爬虫结果：

        

• 爬虫实例优化：
• 中文对齐问题的原因：   
•  

  :	<填充>	<对齐>	<宽度>	,	<.精度>	<类型>
  引导符号	用于填充的单个字符	<左对齐 >右对齐 ^居中对齐	槽的设定输出宽度	数字的千分位分隔符适用于整数和浮点数	浮点数小数备部分的精度或字符串的最大输出长度	整数类型：b,c,d,o,x,X浮点数类型：e,E,f,%

  当中文字符宽度不够使，采用西文字符填充；中西文占用宽度不同。
• 中文对齐问题的解决：
• 采用中文字符的空格填充 chr(12288)
• 爬虫代码：

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}	{1:{3}^10}	{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)))
 
#主函数
def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20所大学
main()

• 爬虫结果：