python网络爬虫笔记一

一、requests库的使用入门

requests.request() 构造一个请求，支撑以下各方法

requests.get() 获取HTML网页的主要方法，对应于HTTP的GRT

requests.head() 获取HTML网页头信息

requests.post() 对应于HTTP的POST

requests.put() 对应于HTTP的PUT

requests.patch() 向HTML提交局部修改请求

requests.delete() 向HTML提交删除请求

二、ROBOTS协议

爬虫可能被网站拒绝 需要修改Header

爬虫时注意\robots.txt

三、BeautifulSoup

属性： Tag、Name、Attributes、NavigableString、Comment

遍历：

平行遍历: .contents .children .descendants
上行遍历: .parent .parents
下行遍历: .next_sibling .next_siblings .previous_sibling .previous_siblings

个别函数：

HTML文本格式化： .prettify()
查找函数： .find_all()

四、实例-----大学排名

import requests
from bs4 import BeautifulSoup
import bs4

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

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])

def printUnivList(ulist, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "得分"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.com/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)  #20