2021-2-8爬取中国大学排名
时间:2021-2-8
获取url(https://www.shanghairanking.cn/rankings/bcur/2020)
分析HTML
打开网页源码,找到清华大学。
分析所需信息所在的标签位置。
排名和分数仍在在td标签中,但是清华大学名称在a标签中
编写python文件
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"获取失败"
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')
tbs=tr('a')
ulist.append([tds[0].text.strip(),tbs[0].text.strip(),tds[-2].text.strip()])
pass
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)))
def main():
ulnfo=[]
url="https://www.shanghairanking.cn/rankings/bcur/202011"
html=getHTMLText(url)
if html=="获取失败":
print(html)
else:
fillUnivList(ulnfo,html)
printUnivList(ulnfo,20)
main()
爬取信息
编写爬虫文件最重要的是会分析html,最好能看懂html源码,能够更方便的编写爬虫。
网页更新后需要重新获取url和分析html网页。