本例利用爬虫从一个网址中获取中国大学排名，然后将其输出
import requests
from bs4 import BeautifulSoup
import bs4
from time import clock
# 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 = '{:<3}\t{:<13}\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()
clock()
print('运行时间 %ss'%clock())
运行截图
