Python爬虫实战：2017中国最好大学排名

抓取内容：

从最好大学网上抓取中国前10的大学排名、大学名称、总分，并数据格式左对齐。
http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html

首先，看下网站的Robots协议，没有找到相关协议，可以抓取。
http://www.zuihaodaxue.cn/robots.txt

接下来开始整理思路：

• 获取网页信息
• 填充列表数据
• 输出列表数据，并进行格式化
• 输出结果

完整代码：

import requests
from bs4 import BeautifulSoup
import bs4

# 获取网页信息的通用框架
def getHtmlText(url):
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return '爬取失败'

# 填充列表
def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, 'lxml')
    for tr in soup.find('tbody').children:
        # 检查网页代码可以发现数据都储存在tboyd标签中，这里需要对tbody的儿子节点进行遍历
        if isinstance(tr, bs4.element.Tag):
            # 检测标签类型，如果不是bs4库支持的Tag类型，就过滤掉，这里需要先导入bs4库
            tds = tr('td')
            # 解析出tr标签中的td标签后，将其储存在列表tds中
            ulist.append([tds[0].string, tds[1].string, tds[3].string])
            # 我们需要的是排名、学校名称和总分

# 格式化后，输出列表数据
def printUnivList(ulist, num):
    tplt = '{:<10}\t{:<10}\t{:<10}'
    # 定义输出模板为变量tplt，\t为横向制表符，<为左对齐，10为每列的宽度
    print(tplt.format('排名','学校名称','总分'))
    # format()方法做格式化输出
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0],u[1],u[2]))

def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2017.html'
    html = getHtmlText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 10)
    # 选取前10所学校信息
main()

运行结果：

操作环境：Mac，Python 3.6，PyCharm 2016.2
参考资料：中国大学MOOC课程《Python网络爬虫与信息提取》