作业①：

• 要求：用urllib和re库方法定向爬取给定网址 （https://www.shanghairanking.cn/rankings/bcsr/2020/0812 ）的数据
• 输出信息：

  2020排名	全部层次	学校类型	总分
  1	前2%	中国人民大学	1069.0
  2......

  (1.1)爬取大学排名实验

  • 实验过程：

  1.获取网页源码html文件：

  def getHTMLTextUrllib(url):
      try:
          headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36 Edg/94.0.992.31"}
          req=urllib.request.Request(url,headers=headers)
          resp=urllib.request.urlopen(req)
          data =resp.read()
          unicodeData =data.decode()
          #dammit = UnicodeDammit(data,["utf-8","gbk"])
          #unicodeData= dammit.unicode_markup
          return unicodeData
      except:
          return ""
  

  2.开始对页面需要爬取的元素进行检查，编写正则表达式筛选出有用信息（如下）：

  • 检查展示：
    
    <-------------------------------------------------------------------------------------------->
    
    <-------------------------------------------------------------------------------------------->
    
    <-------------------------------------------------------------------------------------------->
    
    <-------------------------------------------------------------------------------------------->
    

      rank=r'class="ranking" data-v-68e330ae>\n.*?\n                        </div>'     #匹配排名
      level=r'<td data-v-68e330ae>\n.*?%' #匹配层次
      name=r'class="name-cn" data-v-b80b4d60>(.*?)</a>' #匹配学校
      score=r'<td data-v-68e330ae>\n.*?\n                    </td>' #匹配总分
  
  

  3.编写打印函数

  def printList(ulist, num):
      #中西文混排时，要使用中文字符空格填充chr(12288)
      tplt = "{0:^10}\t{1:{4}^8}\t{2:{4}^15}\t{3:^5}"
      print("{0:^9}\t{1:^10}\t{2:{4}^15}\t{3:^1}".format("2020排名", "全部层次", "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], u[3],chr(12288)))
  

  4.编写主函数

  def main():
      rank = []
      url = 'https://www.shanghairanking.cn/rankings/bcsr/2020/0812'
      html = getHTMLTextUrllib(url)
      fillList(rank, html)
      printList(rank, 20)
  
  main()
  

  • 结果展示：

  (1.2)心得

  此题之前是是通过beautiful soup的方法做，比较简单，尝试用正则之后发现在本题中“\n”与一连串的空格是我们使用re查找数据的难点，在正则中引入换行符，后面split(\n)来处理。

  作业②：

  • 要求：用requests和Beautiful Soup库方法设计爬取https://datacenter.mee.gov.cn/aqiweb2/ AQI实时报。
  • 输出信息：

  序号	城市	AQI	PM2.5	SO2	No2	Co	首要污染物
  1	北京	55	6	5	1.0	225	—
  2......

  (2.1)爬取AQI实验

  • 实验过程：

  1.获取网页源码html文件：

  def getHTMLText(url):
       try:
           r = requests.get(url, timeout=30)
           r.raise_for_status()
           r.encoding = r.apparent_encoding
           return r.text
       except:
           return ""
  

  2.开始对页面需要爬取的元素进行检查，用beautiful soup筛选出有用信息（如下）：

  def fillUnivList(ulist, html):
      soup = BeautifulSoup(html, "html.parser")
      for tr in soup.find('tbody').children:
          if isinstance(tr, bs4.element.Tag):
          #检查tr标签，排除tr为普通字符串，需要引入bs4库
              tds = tr('td')
              ulist.append([tds[0].text.strip(), tds[1].text.strip(), tds[2].text.strip(), tds[4].text.strip(), tds[5].text.strip(), tds[6].text.strip(), tds[8].text.strip()])
  

  3.打印结果：

  def printUnivList(ulist, num):
  
      # 中西文混排时，要使用中文字符空格填充chr(12288)
      print("{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}".format("序号","城市", "AQI", "PM2.5",  "SO2", "NO2", "CO", "首要污染物"))
      # 对中文输出的列，进行用第6个参数即中文空格chr（12288）填充
      for i in range(num):
          u = ulist[i]
          print("{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}\t{:4}".format(i+1, u[0], u[1], u[2], u[3], u[4], u[5], u[6]))
  

  • 结果展示：
    

  (2.2)心得

  此题是通过beautiful soup的方法做，比较简单，直接采用循环方法找到tbody下的所有tr节点，再找到td,获取信息，与之前的作业并无太大差别。

  作业③：

  • 要求：使用urllib和requests爬取（http://news.fzu.edu.cn/），并爬取该网站下的所有图片
  • 输出信息：将网页内的所有图片文件保存在一个文件夹中
  • 实验过程：
    1.获取网页源码html文件：

  def getHtml(url):
      header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:80.0) Gecko/20100101 Firefox/92.0"}
      r = requests.get(url, headers=header)
      r.raise_for_status()
      r.encoding = r.apparent_encoding
      return r.text
  

  2.查找li 下的img节点

  url='http://news.fzu.edu.cn/'
      # data=urllib.request.urlopen(url).read().decode("utf-8","ignore")
  html = getHtml(url)
  soup = BeautifulSoup(html, "html.parser")
  imagelist = []
  src = []
  imagelist = soup.select('li img')
  

  3.提取src

  img = r'img.+?src="(.*?)"'
  for i in imagelist:
      src.append(re.findall(img, str(i)))
      print(src)
  

  4.打印图片：

  for j in range(0, len(src)):
          address = src[j][0]
          print("第"+str(j+1)+"张爬取成功")
          newurl = "http://news.fzu.edu.cn"+str(address)
          print(newurl)
          file="E:/测试/tupian/"+"第"+str(j+1)+"张"+".jpg"#file指先在指定文件夹里建立相关的文件夹才能爬取成功
          urllib.request.urlretrieve(newurl, filename=file)
  

  结果如下：
  

  (2.2)心得

  此题与之前做的爬取商城图片类型相似（甚至不要翻页处理），主要是构造出正则表达式输出imgz中的src,然后用urllib.request.urlretrieve进行下载。

标签：src,url,text,融合,爬取,采集,html,实验,tds
来源： https://www.cnblogs.com/a820845164/p/15369040.html