Python:软科中国大学排名爬虫(2021.11.5)

2021/11/6 14:10:05

本文主要是介绍Python:软科中国大学排名爬虫(2021.11.5),对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

目录
  • 爬虫对象选择
  • 数据处理
  • 完整代码
  • 从 API 获取数据

爬虫对象选择

打开软科中国大学排名,观察这个页面结构复杂且一页只显示了 30 所大学。

而且点击了翻页,发现 url 没有发生变化,说明该页面有可能是已经获取了所有数据,然后使用 JavaScript 动态生成。此时可能就很麻烦了,因为没有办法通过 get 传参的方式来切换网页进行爬取。

从开发者工具中的“network”可以看到,大量的 JavaScript 脚本被执行。

查看“fetch/XHR”,fetch 和 XHR 都是是获取远端数据的方式,fetch 是原生 js 方法,XMLHttpRequest(XHR)是一个构造函数,通过 XMLHttpRequest 可以在不刷新页面的情况下请求特定 URL。但是无论如何这 2 种方式都是向后端获取数据的,但是依次查看这些信息也没有找到所有大学的数据。

因此接下来就需要去找到底是哪个接口能找到这些数据,在开发者工具中搜索随便一所大学,例如清华大学。可以看到在 2 个资源中出现过这个字符串,第一个是“软科中国大学排名”的页面,也就是我们进入网页后能看得到的。

第二个出现在“payload.js”文件中,可以看到在 univData 中出现了清华大学和其他大学的参数,说明这个 JavaScript 文件保存了所有大学的信息。(使用谷歌浏览器和火狐浏览器,在开发者工具中可以自动格式化解析这些网络资源,看着比较友好,用其他的浏览器也可以,不过看到的可能是没有编码过的,但是不影响分析)。

访问“payload.js”文件资源,可以看到这些数据确实存在此处,所以这就是我们要爬虫的对象。

https://www.shanghairanking.cn/_nuxt/static/1635996352/rankings/bcur/2021/payload.js



使用 requests 库进行爬取,编写代码如下:

url = 'https://www.shanghairanking.cn/_nuxt/static/1635996352/rankings/bcur/2021/payload.js'
r = requests.get(url, timeout=20)
if r.status_code == 200:
    r.encoding = 'utf-8'
    content = r.text

数据处理

我们把“payload.js”文件爬下来以后,是不能直接用 JSON 进行解析的,因为这个文件中掺杂了 JavaScript 的代码。

同时这些键值对中,键的部分没有用括号进行包括,此时对于 Python 而言会认为这是个变量。无论是用 json 库还是 eval 都不能直接解析,都会报错。

所以比较好的方式就是直接处理字符串,首先这些数据的顺序就是排名的顺序,因此按顺序提取大学的信息可以得到排名。例如此处我还想获取这些大学的省份信息,除了要切分出“univNameCn”字段信息,还要切分出“province”字段。(软科排名网站使用一个字母代表一个省份或者市,例如“v”代表北京市,“N”代表福建省)

根据实际需求,使用字符串切分的方式提取出我们想要的信息,例如:

colleges = []
while content.find('univNameCn:"') != -1:
    acollege = []
    #切分出大学名称
    content = content[content.find('univNameCn:"') + 12:]
    collegeName = content[:content.find('"')]
    acollege.append(collegeName)
    #切分出省份
    content = content[content.find('province:') + 9:]
    province = content[:content.find(',')]
    acollege.append(province)
    colleges.append(acollege)

完整代码

例如我要输出软科排名前 10 的福建省大学是哪些,一个简单的爬虫 demo 如下:

import requests

url = 'https://www.shanghairanking.cn/_nuxt/static/1635996352/rankings/bcur/2021/payload.js'
r = requests.get(url, timeout=20)
if r.status_code == 200:
    r.encoding = 'utf-8'
    content = r.text
    colleges = []
    while content.find('univNameCn:"') != -1:
        acollege = []
        #切分出大学名称
        content = content[content.find('univNameCn:"') + 12:]
        collegeName = content[:content.find('"')]
        acollege.append(collegeName)
        #切分出省份
        content = content[content.find('province:') + 9:]
        province = content[:content.find(',')]
        acollege.append(province)
        colleges.append(acollege)

    print("{:^10}\t{:^6}".format("排名","学校名称"))
    num = 10
    for i in range(len(colleges)):
        if colleges[i][1] == 'N':
            print("{:^10}\t{:^6}".format(str(i + 1), colleges[i][0]))
            num -= 1
            if num == 0:
                break

输出的结果如下所示:

从 API 获取数据

例如在 2021 年 4 月份,有其他的博主通过 network 找到了软科排名网站返回数据的 API,例如可以参考《python爬虫小案例_中国大学排名(2021.04.11)》这篇博客。

https://www.shanghairanking.cn/api/pub/v1/bcur?bcur_type=11&year=2021

从这个 API 中可以获取某一年份的大学排名信息,且不存在编码问题,键值对也是字符串可以直接被 json 解析。但是现在我直接用开发者工具找是找不到了,不过这个 API 还能用。当网页结构发生改变之时,如果以前的方法不能用了就得另找其他途径了。



这篇关于Python:软科中国大学排名爬虫(2021.11.5)的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程