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）

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 ...

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

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

最新文章

热门文章