Python：使用爬虫获取中国最好的大学排名数据（爬虫入门）
生活随笔
收集整理的這篇文章主要介紹了
Python：使用爬虫获取中国最好的大学排名数据（爬虫入门）
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
文章目錄
- 問題描述
- 結果展示
- 解決思路
- 代碼實現
- 代碼講解
- 總結一下
- 使用 XPath 實現
問題描述
請使用 Python 爬取最好大學網的 大學排名數據 ，并保存為 CSV 和 Excel 格式。
結果展示
以爬取前 10 名大學為例：
解決思路
目標網站：軟科中國最好大學排名2019
使用 Python 的 BeautifulSoup 庫：BeautifulSoup官方文檔
這里主要使用了 BeautifulSoup 庫，該庫功能十分強大，我只使用了它不到 1% 的功能。更多的功能請大家看官方文檔，是中文的哦。
因為是使用爬蟲，所以必須引入的兩個庫是：requests 和 BeautifulSoup，另外設計存儲到 Excel 中，所以我選擇使用 pandas 庫，它的二維結構提供很方便的方法可以直接存儲到 Excel 中，另外用到pandas就會用到numpy用來生成二維數組。
所以用到的庫有：
- 🔥 requests
- 🔥 bs4
- 🔥 pandas
- 🔥 numpy
代碼實現
import requests as rq from bs4 import BeautifulSoup as Bs import pandas as pd import numpy as npdef getData(resLoc):rp = rq.get(resLoc)rp.encoding = 'utf-8'return rp.textdef dataProcessing(html, num):table = Bs(html, features='lxml').table.find_all('tr', limit=num, recursive=True)table_head = table[0]universityList = []for tr in table[1:]:tds = tr.find_all('td')contents = [td.contents for td in tds]contents[1] = contents[1][0].contentsuniversityList.append(contents)thf = [th.contents for th in table_head.find_all('th', limit=4)]for i in [op.contents for op in table_head.find_all('option', recursive=True)]:thf.append(i)thf = ["".join(th) for th in thf]univList = []for university in universityList:university = ["".join(attr) for attr in university]univList.append(university)return pd.DataFrame(np.array(univList), columns=thf)def saveData(data):data.to_csv('university.csv', index=False)data.to_excel('university.xlsx', index=False)def main(num):if num >= 549:returnelse:url = 'http://zuihaodaxue.com/zuihaodaxuepaiming2019.html'saveData(dataProcessing(getData(url), num + 1))# 測試,爬取前 10 名大學的信息 main(10)但是，相信大家看了上面的代碼肯定想殺人，這代碼的可讀性幾乎為0，根本不是寫給人看的，所以下面我們講解一下代碼。
代碼講解
下面我采用注釋的方式帶大家一步一步的來解決這個問題，并且可以學到很多知識。
首先我們先導包：
import requests as rq from bs4 import BeautifulSoup as Bs import pandas as pd import numpy as np我們使用的 BeautifulSoup 是 bs4 中的一個類，所以我們引入該類就可以了，順便起一個別名。
但是這個庫實際上是叫做 beautifulsoup的，我們 install 的時候也是安裝的 beautifulsoup ，但是執行的導包的時候是 bs4。
這里我們以一種自頂向下的思維編程，具體就是，先列出函數，函數具體怎么執行的我先不管，我只要你的返回值，然后我拿來使用。
所以我們先在 main 方法中定義一些函數，之后再實現。
def main(num):# 由于該網站最多有550個大學,所以輸入的數字不能大于550,否則什么也不做if num >= 550:print("數量不能大于550")returnelse:url = 'http://zuihaodaxue.com/zuihaodaxuepaiming2019.html'# 獲取數據text = getData(url)# 處理數據, num 是你要爬取前多少名大學的排名信息universityList = dataProcessing(text, num + 1)# 保存數據saveData(universityList)print("文件保存成功!")我們打開這個網站來看一下：
習慣上我們使用 F12 打開，也可以右鍵表格，點擊檢查：
我們需要的數據就在這里面：
每一個 tr 里面都有一行數據，這就是我們想要的，而表頭就是標題，我們后面都會用到。
現在我們一個一個的實現這些函數：
首先是 getData(url) 方法，該方法就是通過程序獲取我們在瀏覽器看到的 Html 頁面。
# 獲取數據,就是通過訪問網頁,把他的html源代碼拿過來 def getData(resLoc):rp = rq.get(resLoc)rp.encoding = 'utf-8'return rp.textget 表示是 GET 請求，encoding 設置編碼。
好了，獲取了數據，我們就要分割處理數據了。
就是 dataProcessing(html, num) 方法，num 是爬取的大學數量。
首先創建一個 BeautifulSoup 對象：
bs = Bs(html, features='lxml')然后呢，這個 bs 其實代表是整個 HTML 的 DOM 樹，我們要做的就是從這個 DOM 樹中取東西。
我們之前已經看過 HTML 的格式了，他只有一個 table 標簽，所以我們可以通過點的方式獲取這個 table 元素。
然后他返回的還是一個 bs 對象，只不過這個 DOM 樹變小了，所以我們可以使用 find_all 方法來獲取 table 下的所有 tr標簽。
# 包含表頭的列表 table = bs.table.find_all('tr', limit=num, recursive=True)但是這里是有問題的，因為這張表有表頭，表頭的 tr我們需要單獨拿出來。
我們打印出來看一下表頭是啥：
# 看一下表頭是什么:# <tr># <th style="text-align: center;">排名</th># <th style="text-align: center;">學校名稱</th># <th class="hidden-xs" style="text-align: center; width: 80px;">省市</th># <th style="text-align: center;">總分</th># <th class="hidden-xs" style="text-align: center; width: 265px;">指標得分<br/># <select class="form-control" id="select-indicator-type" name="type" style="text-align: left;"># <option selected="selected" title="生源質量（新生高考成績得分）" value="indicator5">生源質量（新生高考成績得分）</option># <option title="培養結果（畢業生就業率）" value="indicator6">培養結果（畢業生就業率）</option># <option title="社會聲譽（社會捐贈收入·千元）" value="indicator7">社會聲譽（社會捐贈收入·千元）</option># <option title="科研規模（論文數量·篇）" value="indicator8">科研規模（論文數量·篇）</option># <option title="科研質量（論文質量·FWCI）" value="indicator9">科研質量（論文質量·FWCI）</option># <option title="頂尖成果（高被引論文·篇）" value="indicator10">頂尖成果（高被引論文·篇）</option># <option title="頂尖人才（高被引學者·人）" value="indicator11">頂尖人才（高被引學者·人）</option># <option title="科技服務（企業科研經費·千元）" value="indicator12">科技服務（企業科研經費·千元）</option># <option title="成果轉化（技術轉讓收入·千元）" value="indicator13">成果轉化（技術轉讓收入·千元）</option># <option title="學生國際化（留學生比例） " value="indicator14">學生國際化（留學生比例）</option># </select># </th># </tr>這正是我們想要的數據，我們可以通過 contents 獲取 標簽對 里面的數據，就大功告成了。
# 這里為什么只要四個呢? 因為第五個是下拉選框,我們后面再單獨處理 ths = table_head.find_all('th', limit=4) # 這里是表頭的前四個元素 [['排名'], ['學校名稱'], ['省市'], ['總分']], th_four 代表前四個th thf = [th.contents for th in ths]在仔細看你會發現后面有一個不是普通的列表，他是一個 select！所以我們上面只要了前四個。
下面處理下拉框中的元素 option；
打印出來看看：
# [ ['生源質量（新生高考成績得分）'],# ['培養結果（畢業生就業率）'],# ['社會聲譽（社會捐贈收入·千元）'],# ['科研規模（論文數量·篇）'],# ['科研質量（論文質量·FWCI）'],# ['頂尖成果（高被引論文·篇）'],# ['頂尖人才（高被引學者·人）'],# ['科技服務（企業科研經費·千元）'],# ['成果轉化（技術轉讓收入·千元）'],# ['學生國際化（留學生比例）'] ]正是我們想要的，不過他是二維列表，不怕后面我們再處理。
將這個和之前的 4 個合并。
for i in options:thf.append(i)現在我們處理表體，也就是最最干貨的內容。
# 去掉表頭,只要表體 table_body = table[1:]打印出來看一下每一條 tr 里面是什么?
# [ <tr class="alt"># <td>1</td> --排名# <td><div align="left">清華大學</div></td> --學校名稱# <td>北京</td> --省市# <td>94.6</td> --總分# <td class="hidden-xs need-hidden indicator5">100.0</td> --生源質量# <td class="hidden-xs need-hidden indicator6" style="display: none;">98.30%</td> --培養結果# <td class="hidden-xs need-hidden indicator7" style="display: none;">1589319</td> --社會聲譽# <td class="hidden-xs need-hidden indicator8" style="display: none;">48698</td> --科研規模# <td class="hidden-xs need-hidden indicator9" style="display: none;">1.512</td> --科研質量# <td class="hidden-xs need-hidden indicator10" style="display: none;">1810</td> --頂尖成果# <td class="hidden-xs need-hidden indicator11" style="display: none;">126</td> --頂尖人才# <td class="hidden-xs need-hidden indicator12" style="display: none;">1697330</td> --科技服務# <td class="hidden-xs need-hidden indicator13" style="display: none;">302898</td> --成果轉化# <td class="hidden-xs need-hidden indicator14" style="display: none;">6.81%</td> --學生國際化# </tr> ]我們可以無視上面標簽中的屬性值，只關注內容，也就是說對于table_body中的每一個tr標簽,我們要做的是取出來其中的td中的content,作為二維列表。
編寫一個循環來遍歷每一個 tr：
universityList = [] for tr in table_body:tds = tr.find_all('td')這個時候我們打印一下tds看看：
# tds 的結果是:# print(tds)# [ <td>1</td>,# <td><div align="left">清華大學</div></td>,# <td>北京</td>, <td>94.6</td>,# <td class="hidden-xs need-hidden indicator5">100.0</td>,# <td class="hidden-xs need-hidden indicator6" style="display: none;">98.30%</td>,# <td class="hidden-xs need-hidden indicator7" style="display: none;">1589319</td>,# <td class="hidden-xs need-hidden indicator8" style="display: none;">48698</td>,# <td class="hidden-xs need-hidden indicator9" style="display: none;">1.512</td>,# <td class="hidden-xs need-hidden indicator10" style="display: none;">1810</td>,# <td class="hidden-xs need-hidden indicator11" style="display: none;">126</td>,# <td class="hidden-xs need-hidden indicator12" style="display: none;">1697330</td>,# <td class="hidden-xs need-hidden indicator13" style="display: none;">302898</td>,# <td class="hidden-xs need-hidden indicator14" style="display: none;">6.81%</td> ]可以看到是一個列表,我們獲取每一個 td 標簽的 content：
contents = [td.contents for td in tds] # for td in tds:# print(td.contents)# 得到的結果如下:# ['1']# [<div align="left">清華大學</div>]# ['北京']# ['94.6']# ['100.0']# ['98.30%']# ['1589319']# ['48698']# ['1.512']# ['1810']# ['126']# ['1697330']# ['302898']# ['6.81%']但是有一個問題就是 [<div align="left">清華大學</div>] 這里有一個 div 標簽,我們要把它替換成他里面的元素值。
contents[1] = contents[1][0].contents大家注意我們現在還在for循環當中哦,我們要這些遍歷到的contents存到外面的變量中才能保存起來
universityList.append(contents)現在我們得到的列表就是類似于這種形式[[[清華], [1], ...], [[北大], [2], ...], ...]
降維打擊！
# 下面的問題是, 我們有了表頭列表 thf(二維),有了表體列表 universityList(三維), 怎么把它們合并呢? # thf: [['排名'], ['學校名稱'], ['省市'], ['總分'], ['生源質量（新生高考成績得分）'], ['培養結果（畢業生就業率）'], ['社會聲譽（社會捐贈收入·千元）'], ['科研規模（論文數量·篇）'], ['科研質量（論文質量·FWCI）'], ['頂尖成果（高被引論文·篇）'], ['頂尖人才（高被引學者·人）'], ['科技服務（企業科研經費·千元）'], ['成果轉化（技術轉讓收入·千元）'], ['學生國際化（留學生比例）']] # universityList: [ # [['1'], ['清華大學'], ['北京'], ['94.6'], ['100.0'], ['98.30%'], ['1589319'], ['48698'], ['1.512'], ['1810'], ['126'], ['1697330'], ['302898'], ['6.81%']], # [['2'], ['北京大學'], ['北京'], ['76.5'], ['95.2'], ['98.07%'], ['570497'], ['47161'], ['1.409'], ['1402'], ['100'], ['554680'], ['14445'], ['6.15%']] # ]我們使用 DataFrame配合 numpy 可以實現這個功能，因為DataFrame有一個功能就是可以將幾行和一列數據一一對應形成一個表格。
# 但是還有一個問題就是DataFrame是二維結構,我們這里是三維結構,顯然需要降維打擊! # 我們把最里面的列表可以轉化為字符串,實現降維 # 降維的過程 thf = ["".join(th) for th in thf] univList = [] for university in universityList:university = ["".join(attr) for attr in university]univList.append(university)# 下面使用 DataFrame 的構造函數，傳入一個 numpy 構造的數組和一個列表作為表頭 pd_universityList = pd.DataFrame(np.array(univList), columns=thf)return pd_universityList上面的代碼值得一提的就是這一個pd.DataFrame(np.array(univList), columns=thf)，這里先是傳入了一個二維數組，然后第二個參數columns指的就是表頭，也就是說他會形成一種一一對應的關系，columns的每一個元素，對應二維數組的每一個元素的對應元素。
比如說我們的二維數組是：
1,清華大學,北京 2,北京大學,北京那么columns對應的就是排名,學校名稱,省市，他會自動將排名和1,2對應，學校和清華大學對應。
在調試的過程中可能 DataFrame 顯示不全，可以采用下面的方法顯示全。
# 顯示所有列 # pd.set_option('display.max_columns', None) # 顯示所有行 # pd.set_option('display.max_rows', None) # 設置value的顯示長度為100，默認為50 # pd.set_option('max_colwidth', 100) # print(pd_universityList)到此為止，我們最重要的方法就介紹完了，下面我們編寫第三個函數吧。
# 負責保存數據到本地磁盤 def saveData(data):data.to_csv('university.csv', index=False)data.to_excel('university.xlsx', index=False)這里直接使用DataFrame自帶的方法就可以實現保存到本地。
好了，全部都做完了，下面我們只需要調用一下主函數即可運行程序。
輸入幾就可以獲取前幾名大學的數據，但是不能超過550，因為那網頁上就只有549個 。
# 測試,爬取前10名大學的信息 main(10)
帶注釋的代碼展示：
總結一下
最重要的還是看 文檔，我這里只用了一個方法就是find_all，他還有非常多強大的功能，我們只需要會使用就行了，我太 CAI 了，只是一個 API 選手，你敢信就這幾行代碼我扣了倆小時才寫出來😔，還是得更努力的學，雖然學到最后還只是一個 API 調用者。
會這一個方法就可以爬一些網站的數據了，其他的也是以此類推，只需要分析另一個網頁的 DOM 結構即可，所以方法是通用的，如果你也是初學，不妨使用這個項目練練手。
使用 XPath 實現
從http://www.zuihaodaxue.cn/網站中爬蟲數據，獲取中國大學排名（Top10）
- 爬取的數據保存為CSV文件（.CSV）
- 采用xpath語法提取數據
總結
以上是生活随笔為你收集整理的Python：使用爬虫获取中国最好的大学排名数据（爬虫入门）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 8.2 英文词频统计(project)
- 下一篇： python培训课程简短介绍