2.python爬虫实战:爬取近5年的中国大学排行榜信息【Python】(测试代码+api例程)
目录
- API说明:
- 思路
- 注意事项
- 完整代码
- 总结
欢迎关注 『Python』 系列,持续更新中
欢迎关注 『Python』 系列,持续更新中
爬取近5年的中国大学排行榜信息,在python爬虫爬取2021中国大学排名实战【Python】(测试代码+api例程)基础上完成,建议先观看前面的文章
API说明:
“%10s %10s %10s” % (“名称”, “分数”, “城市”)
让字符串占位10个位置,占位格式化输出
resp.encoding = ‘utf-8’
一定要加上这句编码格式设定为utf-8,否则会乱码。
不加编码格式会出现下图的情况:
name = tr.xpath(“./td[2]/div/div[2]/div[1]/div/div/a/text()”)[0].replace(" “, “”).replace(”\n", “”)
获取指定xpath节点的文本,取得列表第一项,replace格式化掉多于的空格和换行符
思路
这里先讲与上一文章的区别,就是从遍历一年的数据变成了访问多年的数据。
我们先观察一下2021年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2021
我们再观察一下2022年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2022
这里可以发现区别在于末尾的2021
变成了2022
所以我们只需要for循环,最近的5年,改变url的末尾年数,重复上一文章的爬取就可以了。
这里我们增加代码复用,封装一个函数
getYearData
输入年份year字符串格式
返回一个result数组
#输入年份year字符串格式
#返回一个result数组
def getYearData(year):url = "https://www.shanghairanking.cn/rankings/bcur/"+yearresp = requests.get(url)# 拿到页面源代码resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。html = etree.HTML(resp.text)# 提取和解析数据# 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr# 某个学校的名字 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a# 某个学校的分数 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]# 某个学校的城市 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()#拿到所有学校的数据集合,这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")result = []for tr in tbody: # 每一个学校信息ls = []name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市ls.append(name)ls.append(mark)ls.append(city)result.append(ls)# print("%10s %10s %10s" % ("名称", "分数", "城市"))# for i in result:# print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出,这里后续可以继续优化,但是本题重点是爬虫,不再过度深究return result
- 主代码业务逻辑部分
start_year=2016
end_year=2021
result=[]
for i in range(start_year,end_year+1):result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组
-------下面是上文的步骤,如果看过可以跳过---------
- 导入必要的包
import requests
from lxml import etree
- 根据url获取页面源码并提取和解析数据(注意,这里一定要记得转化编码格式,否则会乱码!!!)
url = "https://www.shanghairanking.cn/rankings/bcur/2021"
resp = requests.get(url)# 拿到页面源代码
resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。
html = etree.HTML(resp.text)# 提取和解析数据
- 拿到所有学校的数据集合(这里末尾的tr[1]表示取第一个学校,改成tr后表示取所有的tr也就是取所有的学校),这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作
tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
- 取出信息并且装入result列表,二层列表嵌套
result = []
for tr in tbody: # 每一个学校信息ls = []name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市ls.append(name)ls.append(mark)ls.append(city)result.append(ls)
注意事项
- 一定要加上这句编码格式设定为utf-8,否则会乱码。
- 使用复制完整的xpath路径,新手入门建议
完整代码
# @Time : 2022/5/18 20:02
# @Author : 南黎
# @FileName: 2爬取近5年的排行榜信息.py
import requests
from lxml import etree#输入年份year字符串格式
#返回一个result数组
def getYearData(year):url = "https://www.shanghairanking.cn/rankings/bcur/"+yearresp = requests.get(url)# 拿到页面源代码resp.encoding = 'utf-8' # 一定要加上这句编码格式设定,否则会乱码。html = etree.HTML(resp.text)# 提取和解析数据# 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr# 某个学校的名字 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a# 某个学校的分数 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]# 某个学校的城市 /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()#拿到所有学校的数据集合,这样方便后续的循环for遍历,类似先找到所有对象的集合,然后对每个对象进行统一的提取信息操作tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")result = []for tr in tbody: # 每一个学校信息ls = []name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市ls.append(name)ls.append(mark)ls.append(city)result.append(ls)# print("%10s %10s %10s" % ("名称", "分数", "城市"))# for i in result:# print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出,这里后续可以继续优化,但是本题重点是爬虫,不再过度深究return resultstart_year=2017
end_year=2021
result=[]
for i in range(start_year,end_year+1):result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组
总结
大家喜欢的话,给个
2.python爬虫实战:爬取近5年的中国大学排行榜信息【Python】(测试代码+api例程)相关推荐
- Python爬虫实战爬取租房网站2w+数据-链家上海区域信息(超详细)
Python爬虫实战爬取租房网站-链家上海区域信息(过程超详细) 内容可能有点啰嗦 大佬们请见谅 后面会贴代码 带火们有需求的话就用吧 正好这几天做的实验报告就直接拿过来了,我想后面应该会有人用的到吧 ...
- python爬虫实战---爬取大众点评评论
python爬虫实战-爬取大众点评评论(加密字体) 1.首先打开一个店铺找到评论 很多人学习python,不知道从何学起. 很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手. 很多 ...
- python爬虫实战-爬取视频网站下载视频至本地(selenium)
#python爬虫实战-爬取视频网站下载视频至本地(selenium) import requests from lxml import etree import json from selenium ...
- python爬虫实战-爬取微信公众号所有历史文章 - (00) 概述
http://efonfighting.imwork.net 欢迎关注微信公众号"一番码客"获取免费下载服务与源码,并及时接收最新文章推送. 最近几年随着人工智能和大数据的兴起,p ...
- Python爬虫,爬取51job上有关大数据的招聘信息
Python爬虫,爬取51job上有关大数据的招聘信息 爬虫初学者,练手实战 最近在上数据收集课,分享一些代码. 分析所要爬取的网址 https://search.51job.com/list/000 ...
- python爬虫实战--爬取猫眼专业版-实时票房
小白级别的爬虫入门 最近闲来无事,发现了猫眼专业版-实时票房,可以看到在猫眼上映电影的票房数据,便验证自己之前学的python爬虫,爬取数据,做成.svg文件. 爬虫开始之前 我们先来看看猫眼专业版- ...
- python爬虫实战-爬取小说
今天做一个爬虫练手的小实战:爬取顶点小说网的小说,实现下载到本地(虽然网站上本来就可以下载,不过还是自己写代码来有成就感嘛!) 爬取网站 进入官网后,点击元尊,就爬取这本书了. 我们先把整个网页爬下来 ...
- Python爬虫实战- 爬取整个网站112G-8000本pdf epub格式电子书下载
(整个代码附在最后) 目录: 爬虫准备 - 某电子书网站内容架构分析 爬虫前奏 - 网站Html代码分析,如何获取需要的链接? 爬虫高潮 - 测试是否有反爬虫措施,测试是否能正常下载一个sample ...
- python爬虫淘宝实例-Python——爬虫实战 爬取淘宝店铺内所有宝贝图片
之前用四篇很啰嗦的入门级别的文章,带着大家一起去了解并学习在编写爬虫的过程中,最基本的几个库的用法. 那么今天,我们就正式开始我们的第一篇实战内容,爬取一整个淘宝店铺里的所有宝贝的详情页,并且把详情页 ...
最新文章
- 零知识证明实践教程,第一部分
- Metro Win8风格的按钮(Filp翻转)
- UA MATH571A R语言回归分析实践 一元回归2 NBA球员的工资
- Java 如何将String转化为Int
- 自定义滚动条(Custom ScrollBar)
- 集成学习(西瓜书学习)
- python可以体现数学中映射概念的是_【课时27+集合+在我的世界里+你就是唯一】 - #1...
- 求和oracle 的sql,oracle 利用 分组求和一张报表的 字段 金额 sql
- php cannot bind port to socket,PHP基于socket实现客户端和服务端通讯功能
- 虚拟机克隆MAC地址变更后的网络配置
- SAI:Switch Abstraction Interface
- 【2023年战略管理公开课计划】向华为学习 业务领先的战略规划SP(BLM)和战略解码BP(BEM)
- viper4android 样本,【图片】大福利,ViPER4Android FX音效及超过200个精选脉冲样本(转)【华为荣耀3x畅玩版吧】_百度贴吧...
- html打印表格样式,HTML打印表格
- java jsp网页模板_JSP网页模板
- 网络ip段计算,网络地址计算,广播地址计算,主机号计算规则
- 摩托罗拉e680i手机刷linux开源系统
- 中国工程师如何获 Google 的工作机会?
- From detailed models to formal spiking neurons
- win7ie11调用java失败,win7纯净版系统下ie11无法加载java插件