python爬虫学习(二)：定向爬虫例子-->使用BeautifulSoup爬取"软科中国最好大学排名-生源质量排名2018"，并把结果写进txt文件

在正式爬取之前，先做一个试验，看一下爬取的数据对象的类型是如何转换为列表的：

写一个html文档:

x.html
<html><head><title>This is a python demo page</title></head>

<body>

  <p class="title">

     <a>The demo python introduces several python courses.</a>

     <a href="http://www.icourse163.org/course/BIT-133" class="py1" id="link1">Basic Python</a>

  </p>

  <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

     <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and

     <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>

  </p>

</body></html>

# coding:utf-8

from bs4 import BeautifulSoup

import requests

import bs4

soup = BeautifulSoup(open('D:/x.html', encoding='utf-8'), "html.parser")

print(soup.find('body',).children)  # .children返回可迭代对象，不是列表，需要用for循环遍历其中的内容

for t in soup.find('body').children:  迭代<body>标签的儿子节点

    if isinstance(t, bs4.element.Tag):  # 判断子节点是否为Tag对象(因为子节点会包含如换行符之类的节点)

        print('body的子标签的内容是：', t)   # 查看t变量获得的对象内容，body的子标签为p标签，一组<p></p>表示一个对象

        print('t的类型是：', type(t))  # 查看t的类型

可以看到每个t对象的类型是bs4.element.Tag，也就是标签对象。

那么，如果要从每个t对象中获取a标签的内容，并把所有a标签都保存到一个列表中，该如何做?

可以使用：

list = t('a')  # t('a')会生成一个bs4.element.ResultSet类型的数据对象，实际上就是Tag列表

for t in soup.find('body').children:

    if isinstance(t, bs4.element.Tag):  # 判断子标签是否为Tag对象(因为子节点会包含如换行符之类的节点)

        # print('body的子标签的内容是：', t)   # 查看t变量获得的对象内容

        # print('t的类型是：', type(t))  # 查看t的类型

        list = t('a')  # 循环获取每个t对象中的所有a标签，并保存到一个列表中

        print(list)

        print(type(list))

        print('每个p标签的第一个a标签的内容：', list[0].string)  # a标签保存到列表后，便可以利用列表方法解析出其中的具体每个a标签对象，并利用.string获取标签字符串

接下来就可以正式编写爬虫了：

分析网页源代码

可以看到需要的一些信息如大学排名、大学名称、地址、分数等分别在如图标注的地方，每个大学信息所在的标签结构如下：所有大学信息都在<tbody>标签下，每个大学都在各自的<tr>标签，然后大学自身的排名、名称、地址等信息都分别由一个<td>标签包裹。

思路如下：先找到<tbody>下的所有标签内容，然后再从中找出所有<tr>标签内容（为什么不直接用find_all()找<tr>?因为不只有我们需要的大学信息用到了<tr>标签，<tbody>之外也有用到<tr>标签来包裹内容的）。

我要把每个学校的“排名、名称、地址、分数”的值都取出来，并且把每组数据都各自装在一个列表中，然后再把每个列表依次加到一个大列表里

（1）直接处理数据

from bs4 import BeautifulSoup

import requests

import bs4

url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

r = requests.get(url)

r.encoding = r.apparent_encoding  # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'

html = r.text

soup = BeautifulSoup(html, 'html.parser')  # 获取爬取网页的BeautifulSoup对象

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

    if isinstance(tr, bs4.element.Tag):

        td = tr('td')
        print(td)

        t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析出的数据各自装到一个列表中
        print(t)

打印td的结果：

打印t的结果如下，其实排名信息已经可以看出来了

然后依次把每个大学信息写入一个文本文档：

from bs4 import BeautifulSoup

import requests

import bs4

url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

r = requests.get(url)

r.encoding = r.apparent_encoding  # 转换编码，不然中文会显示乱码，也可以r.encoding = 'utf-8'

html = r.text

soup = BeautifulSoup(html, 'html.parser')  # 获取爬取网页的BeautifulSoup对象

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

    if isinstance(tr, bs4.element.Tag):

        td = tr('td')

        t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析出的数据各自装到一个列表中print(t)

        with open('D:/test.txt','a') as data:   # 以'a'模式打开文件，即可不停的追加写入而不改变原内容
             print(t, file=data)

（2）把代码封装，写到函数中

# coding:utf-8

import requests

import bs4

from bs4 import BeautifulSoup

def get_html(url):
   """定义获取网页源码函数"""

    try:

        r = requests.get(url, timeout=20)

        r.encoding = r.apparent_encoding

        return r.text

    except:

        return None

def get_data(html, list):
   """定义从网页源码获取数据并处理数据函数"""

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

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

        if isinstance(tr, bs4.element.Tag):

            td = tr('td')

            t = [td[0].string, td[1].string, td[2].string, td[3].string]  # 把每个学校解析处的数据各自装到一个列表中

            list.append(t)   # 把每个学校信息列表都追加到一个大列表中，方便后面写入文件

            # return list  # 不能加return,造成的后果就是第一次循环时就把结果返回出去了，只取到了第一条数据

def write_data(ulist, num):   # num参数，控制提取多少组数据写入文件
   """定义把数据写入文件函数"""

    for i in range(num):

        u = ulist[i]

        with open('D:/test.txt', 'a') as data:

            print(u, file=data)

if __name__ == '__main__':

    list = []  # 我之前是把list=[]放到get_data()函数的for循环里面了，导致每次循环都会先清空列表，然后再追加数据，结果最后遍历完只剩最后一组数据。。。
    url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html' 
    html = get_html(url) 
    get_data(html, list) 
    write_data(list, 20)

把结果输出到屏幕(老师给出的代码)
# coding: utf-8

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, tds[3].string])

#

#

#

# def printUnivList(ulist, num):

#     print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format('排名', '学校名称', '地区', '总分'))

#     for i in range(num):

#         u = ulist[i]

#         print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format(u[0], u[1], u[2], u[3]))

#

#

# def main():

#     uinfo = []

#     url = 'http://www.zuihaodaxue.com/shengyuanzhiliangpaiming2018.html'

#     html = GetHTMLText(url)

#     fillUnivList(uinfo, html)

#     printUnivList(uinfo, 20)

#     return uinfo

#

#

# if __name__ == '__main__':

#     t = main()

巴特西

python爬虫学习(二)：定向爬虫例子-->使用BeautifulSoup爬取"软科中国最好大学排名-生源质量排名2018"，并把结果写进txt文件

最新文章

热门文章