python爬蟲爬取2020年中國大學排名

前言

本文的文字及圖片來源於網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。

作者：岡坂日川

今天發的是python爬蟲爬取中國大學排名，並且保存到excel中，當然這個代碼很簡單，我用了半小時就寫完了，我的整體框架非常清晰，可以直接拿去用，也希望有小白可以學習到關於爬蟲的一些知識，當然我也只是在學習中，有不好的地方還麻煩大佬們指正！謝謝！

 

爬取中國大學排名

request 獲取 html
beautiful soup 解析網頁
re 正則表達式匹配內容
新建並保存 excel

 

from bs4 import BeautifulSoup  # 網頁解析  獲取數據
import re  # 正則表達式 進行文字匹配
import urllib.request, urllib.error  # 制定url 獲取網頁數據
import xlwt

def main():
    baseurl = "http://m.gaosan.com/gaokao/265440.html"
    # 1爬取網頁
    datalist = getData(baseurl)
    savepath = "中國大學排名.xls"
    saveData(datalist,savepath)

# 正則表達式
paiming = re.compile(r'<td>(.*)</td><td>.*</td><td>.*</td><td>.*</td><td>.*</td>')  # 創建超鏈接正則表達式對象，表示字符串模式，規則
xuexiao = re.compile(r'<td>.*</td><td>(.*)</td><td>.*</td><td>.*</td><td>.*</td>')
defen   = re.compile(r'<td>.*</td><td>.*</td><td>(.*)</td><td>.*</td><td>.*</td>')
xingji  = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>(.*)</td><td>.*</td>')
cengci  = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>.*</td><td>(.*)</td>')

# 爬取網頁
def getData(baseurl):
    datalist = []
    html = askURL(baseurl)  # 保存獲取到的網頁源碼
    # print(html)
    #【逐一】解析數據  （一個網頁就解析一次）
    soup = BeautifulSoup(html, "html.parser")  # soup是解析后的樹形結構對象
    for item in soup.find_all('tr'):  # 查找符合要求的字符串形成列表
        # print(item)    #測試查看item全部
        data = []  # 保存一個學校的所有信息
        item = str(item)
        #排名
        paiming1 = re.findall(paiming, item)  # re正則表達式查找指定字符串 0表示只要第一個 前面是標准后面是找的范圍
        # print(paiming1)
        if(not paiming1):
            pass
        else:
            print(paiming1[0])
            data.append(paiming1)
        if(paiming1 in data):
            #學校名字
            xuexiao1 = re.findall(xuexiao, item)[0]
            # print(xuexiao1)
            data.append(xuexiao1)
            #得分
            defen1 = re.findall(defen, item)[0]
            # print(defen1)
            data.append(defen1)
            #星級
            xingji1 = re.findall(xingji, item)[0]
            # print(xingji1)
            data.append(xingji1)
            #層次
            cengci1 = re.findall(cengci, item)[0]
            # print(cengci1)
            data.append(cengci1)
            # print('-'*80)
        datalist.append(data)  # 把處理好的一個學校信息放入datalist中
    return datalist


# 得到指定一個url網頁信息內容
def askURL(url):
    # 我的初始訪問user agent
    head = {  # 模擬瀏覽器頭部信息，向豆瓣服務器發送消息 偽裝用的
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36"
    }
    # 用戶代理表示告訴豆瓣服務器我們是什么類型的機器--瀏覽器  本質是告訴瀏覽器我們可以接受什么水平的文件內容
    request = urllib.request.Request(url, headers=head)  # 攜帶頭部信息訪問url
    # 用request對象訪問
    html = ""
    try:
        response = urllib.request.urlopen(request)  # 用urlopen傳遞封裝好的request對象
        html = response.read().decode("utf-8")  # read 讀取 可以解碼 防治亂碼
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)  # 打印錯誤代碼
        if hasattr(e, "reason"):
            print(e.reason)  # 打印錯誤原因
    return html


# 3保存數據
def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 創建workbook對象   樣式壓縮效果
    sheet = book.add_sheet('中國大學排名', cell_overwrite_ok=True)  # 創建工作表  一個表單  cell覆蓋
    for i in range(0, 640):
        print("第%d條" % (i + 1))
        data = datalist[i]
        # print(data)
        for j in range(0, 5):  # 每一行數據保存進去
            sheet.write(i , j, data[j])  # 數據
    book.save(savepath)  # 保存數據表


#主函數
if __name__ == "__main__":  # 當程序執行時
    # #調用函數     程序執行入口
    main()
    # init_db("movietest.db")
    print("爬取完畢！")

 

具體實現效果如下

 

一共600多條數據