爬取中国大学排名

URL : http://m.gaosan.com/gaokao/26…

request 获取 html

beautiful soup 解析网页

re 正则表达式匹配内容

新建并保存 excel

1

2

3

4

-*- codeing = utf-8 -*-

@Time : 2020/6/18 12:25

@Author : eahay

@File : 大学排名 1.py

@Software : PyCharm

from bs4 import BeautifulSoup # 网页解析 获取数据

import re # 正则表达式 进行文字匹配

import urllib.request, urllib.error # 制定 url 获取网页数据

import xlwt

def main():

baseurl = “http://m.gaosan.com/gaokao/265440.html”

# 1 爬取网页

datalist = getData(baseurl)

savepath = “ 中国大学排名.xls”

saveData(datalist,savepath)

# 正则表达式

paiming = re.compile(r'(.*).*.*.*.*’) # 创建超链接正则表达式对象，表示字符串模式，规则

xuexiao = re.compile(r’.*(.*).*.*.*’)

defen = re.compile(r’.*.*(.*).*.*’)

xingji = re.compile(r’.*.*.*(.*).*’)

cengci = re.compile(r’.*.*.*.*(.*)’)

# 爬取网页

def getData(baseurl):

datalist = []

html = askURL(baseurl) # 保存获取到的网页源码

# print(html)

【逐一】解析数据 (一个网页就解析一次)

Axitrader 返佣 http://www.fx61.com/brokerlis…

soup = BeautifulSoup(html, “html.parser”) # soup 是解析后的树形结构对象

for item in soup.find_all(‘tr’): # 查找符合要求的字符串形成列表

# print(item) #测试查看 item 全部

data = [] # 保存一个学校的所有信息

item = str(item)

排名

paiming1 = re.findall(paiming, item) # re 正则表达式查找指定字符串 0 表示只要第一个 前面是标准后面是找的范围

# print(paiming1)

if(not paiming1):

pass

else:

print(paiming1[0])

data.append(paiming1)

if(paiming1 in data):

学校名字

xuexiao1 = re.findall(xuexiao, item)[0]

# print(xuexiao1)

data.append(xuexiao1)

得分

defen1 = re.findall(defen, item)[0]

# print(defen1)

data.append(defen1)

星级

xingji1 = re.findall(xingji, item)[0]

# print(xingji1)

data.append(xingji1)

层次

cengci1 = re.findall(cengci, item)[0]

# print(cengci1)

data.append(cengci1)

# print(‘-‘*80)

datalist.append(data) # 把处理好的一个学校信息放入 datalist 中

return datalist

# 得到指定一个 url 网页信息内容

def askURL(url):

# 我的初始访问 user agent

head = {# 模拟浏览器头部信息，向豆瓣服务器发送消息 伪装用的

“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36”

}

# 用户代理表示告诉豆瓣服务器我们是什么类型的机器 – 浏览器 本质是告诉浏览器我们可以接受什么水平的文件内容

request = urllib.request.Request(url, headers=head) # 携带头部信息访问 url

# 用 request 对象访问

html = “”

try:

response = urllib.request.urlopen(request) # 用 urlopen 传递封装好的 request 对象

html = response.read().decode(“utf-8”) # read 读取 可以解码 防治乱码

# print(html)

except urllib.error.URLError as e:

if hasattr(e, “code”):

print(e.code) # 打印错误代码

if hasattr(e, “reason”):

print(e.reason) # 打印错误原因

return html

# 3 保存数据

def saveData(datalist, savepath):

book = xlwt.Workbook(encoding=”utf-8″, style_compression=0) # 创建 workbook 对象 样式压缩效果

sheet = book.add_sheet(‘ 中国大学排名 ’, cell_overwrite_ok=True) # 创建工作表 一个表单 cell 覆盖

for i in range(0, 640):

print(“ 第 %d 条 ” % (i + 1))

data = datalist[i]

# print(data)

for j in range(0, 5): # 每一行数据保存进去

sheet.write(i , j, data[j]) # 数据

book.save(savepath) # 保存数据表

主函数

if __name__ == “__main__”: # 当程序执行时

# #调用函数 程序执行入口

main()

# init_db(“movietest.db”)

print(“ 爬取完毕!”)