大家好，我是冈坂日川，今天发的是python爬虫爬取中国大学排名，并且保存到excel中，当然这个代码很简单，我用了半小时就写完了，我的整体框架非常清晰，可以直接拿去用，也希望有小白可以学习到关于爬虫的一些知识，当然我也只是在学习中，有不好的地方还麻烦大佬们指正！谢谢！（原创！转载请指明出处！）

爬取中国大学排名

URL : http://m.gaosan.com/gaokao/265440.html

request 获取 html
beautiful soup 解析网页
re 正则表达式匹配内容
新建并保存 excel

#-*- codeing = utf-8 -*-
#@Time : 2020/6/18 12:25
#@Author : eahay
#@File : 大学排名1.py
#@Software : PyCharmfrom bs4 import BeautifulSoup  # 网页解析  获取数据
import re  # 正则表达式 进行文字匹配
import urllib.request, urllib.error  # 制定url 获取网页数据
import xlwtdef main():baseurl = "http://m.gaosan.com/gaokao/265440.html"# 1爬取网页datalist = getData(baseurl)savepath = "中国大学排名.xls"saveData(datalist,savepath)# 正则表达式
paiming = re.compile(r'<td>(.*)</td><td>.*</td><td>.*</td><td>.*</td><td>.*</td>')  # 创建超链接正则表达式对象，表示字符串模式，规则
xuexiao = re.compile(r'<td>.*</td><td>(.*)</td><td>.*</td><td>.*</td><td>.*</td>')
defen   = re.compile(r'<td>.*</td><td>.*</td><td>(.*)</td><td>.*</td><td>.*</td>')
xingji  = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>(.*)</td><td>.*</td>')
cengci  = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>.*</td><td>(.*)</td>')# 爬取网页
def getData(baseurl):datalist = []html = askURL(baseurl)  # 保存获取到的网页源码# print(html)#【逐一】解析数据  （一个网页就解析一次）soup = BeautifulSoup(html, "html.parser")  # soup是解析后的树形结构对象for item in soup.find_all('tr'):  # 查找符合要求的字符串形成列表# print(item)    #测试查看item全部data = []  # 保存一个学校的所有信息item = str(item)#排名paiming1 = re.findall(paiming, item)  # re正则表达式查找指定字符串 0表示只要第一个 前面是标准后面是找的范围# print(paiming1)if(not paiming1):passelse:print(paiming1[0])data.append(paiming1)if(paiming1 in data):#学校名字xuexiao1 = re.findall(xuexiao, item)[0]# print(xuexiao1)data.append(xuexiao1)#得分defen1 = re.findall(defen, item)[0]# print(defen1)data.append(defen1)#星级xingji1 = re.findall(xingji, item)[0]# print(xingji1)data.append(xingji1)#层次cengci1 = re.findall(cengci, item)[0]# print(cengci1)data.append(cengci1)# print('-'*80)datalist.append(data)  # 把处理好的一个学校信息放入datalist中return datalist# 得到指定一个url网页信息内容
def askURL(url):# 我的初始访问user agenthead = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息 伪装用的"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36"}# 用户代理表示告诉豆瓣服务器我们是什么类型的机器--浏览器  本质是告诉浏览器我们可以接受什么水平的文件内容request = urllib.request.Request(url, headers=head)  # 携带头部信息访问url# 用request对象访问html = ""try:response = urllib.request.urlopen(request)  # 用urlopen传递封装好的request对象html = response.read().decode("utf-8")  # read 读取 可以解码 防治乱码# print(html)except urllib.error.URLError as e:if hasattr(e, "code"):print(e.code)  # 打印错误代码if hasattr(e, "reason"):print(e.reason)  # 打印错误原因return html# 3保存数据
def saveData(datalist, savepath):book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象   样式压缩效果sheet = book.add_sheet('中国大学排名', cell_overwrite_ok=True)  # 创建工作表  一个表单  cell覆盖for i in range(0, 640):print("第%d条" % (i + 1))data = datalist[i]# print(data)for j in range(0, 5):  # 每一行数据保存进去sheet.write(i , j, data[j])  # 数据book.save(savepath)  # 保存数据表#主函数
if __name__ == "__main__":  # 当程序执行时# #调用函数     程序执行入口main()# init_db("movietest.db")print("爬取完毕！")

具体实现效果如下

一共600多条数据

具体的过程在代码中也已经清晰的标注好备注，如有不懂可以留言，如果改进的地方，麻烦大佬们指正，谢谢！最近会学一下python的其他有趣操作，有兴趣可以主页看一看~~
我一般只写原创噢~