学校官网没有导师检索功能怎么办？Python + BeautifulSoup 爬取导师信息自制检索工具

背景

考研分数下来后，感觉成绩不错的就要开始联系目标院校的导师了。选择导师要按照自己感兴趣的研究生方向进行选择，如果能按关键字检索导师信息就会方便许多。我报考的是北京交通大学计算机学院，但官网中一栏 导师风采 并没有检索功能，只能按照拼音顺序查找老师。这一页一页点进去看导师的信息效率实在是太低，筛选过程很不方便。所以想着干脆直接用爬虫把导师信息入库，这样就能自己实现检索功能了，想怎么查就怎么查。

下面记录一下我用 Python + BeautifulSoup 爬取导师信息的过程。因为我平时不是做 Python 的，所以也是现学现卖，写的不完善的地方还请指教。

网站分析

导师详情页分析

通过观察每个导师的详情页可以发现，导师的介绍页格式是统一的。每个导师的页面都有红框中的类别。这样，对爬虫工作就轻松多了，因为越简单的网站越容易爬取。

导师目录页

导师目录页以分页形式展示，分页标识是用 url 中 page 参数区分。这种情况也是比较好处理的，直接在代码中 i++ 循环即可。

思路

根据分析，可以得出:

1. 先遍历目录页
2. 解析每个目录页，找到每个老师的编号拼出每个导师详情页的地址
3. 根据每个导师详情页地址，获取导师的详细信息并解析入库

代码编写

Python 版本

3.7

第三方库导入

该爬虫需要引入三个库：requests、BeautifulSoup、MySQLdb
requests：一个 Http 库
BeautifulSoup：用于解析网页数据
MySQLdb：用于与 mysql 连接

如果没有安装这三个库需要先安装。

pip3 install requests
pip3 install beautifulsoup4
pip3 install mysqlclient

遍历目录页找到每个导师的网址

通过查看目录页的源码，发现每个导师的详情页都对应一个编号。这个编号在一个 <div class="teacher_incard"> 标签下的 <a> 标签里。所以通过解析出 <a> 标签里的 href 的值，前面再拼上网站域名，就可以得到导师详情也的地址了。

具体有关 BeautifulSoup 的用法可以参考 beautifulsoup菜鸟教程。

具体代码：

def main():
    # 存放每个导师详情页地址
    professorList = []
    # 遍历 7 页导师目录页
    for i in range(1, 8):
        url = 'http://faculty.bjtu.edu.cn/cs/sdxx.html?page=' + str(i)
        print("正在爬取第 '%s' 页导师：" % (i))
        print(url + '\n')
        # 获取网页内容
        html = getHTMLText(url, headers)
        parseProfessorsList(professorList, html)
    print("爬取链接完成")

# 解析目录页，获得每个导师的详情页地址
def parseProfessorsList(professorList, html):
    # 域名
    url = 'http://faculty.bjtu.edu.cn'
    # 创建 soup
    soup = BeautifulSoup(html, 'html.parser')
    rows = soup.find_all('div', attrs={'class': 'row'})
    # 第二个 row 导师信息块，根据 class="teacher_card" 解析
    i = rows[1].find_all('div', attrs={'class': 'teacher_card'})
    # 遍历
    for professors in i:
        # 找到 a 标签
        a = professors.find("a")
        # 拼接导师详情地址
        pro = Professor(a.text.strip(), url + a.get('href'))
        professorList.append(pro)

解析详情页

同理，根据分析源码里的标签，可以发现各模块标题有着相同的样式名，所以通过 BeautifulSoup 解析出来，再对内容做一些简单的处理比如：去空格、按回车切分等，即能把数据分门别类地提取出来了。

具体代码：

def parseProfessorsDetail(professor):
    professor.base = ''
    professor.eduBg = ''
    professor.workExp = ''
    professor.resOri = ''
    professor.resumeMajor = ''
    professor.sciResPro = ''
    professor.teachWork = ''
    professor.paper = ''
    professor.treatise = ''
    professor.patent = ''
    professor.softwarePatent = ''
    professor.honor = ''
    professor.partTimeJob = ''

    html = getHTMLText(professor.url, headers)
    soup = BeautifulSoup(html, 'html.parser')
    wrap = soup.find(id="wrap")

    # 头像
    img = wrap.find("img")
    professor.img = img.get('src') + ""

    # title
    title = wrap.find(class_='border_p')
    professor.title = title.text.strip() + ""

    details = wrap.find_all(class_='mainleft_box')
    for detail in details:
        column = detail.find(class_='h4border').text.strip()
        [s.extract() for s in detail(class_='h4border')]
        contentOri = detail.text.strip()
        content = ''
        for line in contentOri.splitlines():
            if line == '':
                continue
            line = line.strip() + '\n'
            content = content + line
        content = content.rstrip('\n') + ""

        if column == '基本信息':
            professor.base = content
        elif column == '教育背景':
            professor.eduBg = content
        elif column == '工作经历':
            professor.workExp = content
        elif column == '研究方向':
            professor.resOri = content
        elif column == '招生专业':
            professor.resumeMajor = content
        elif column == '科研项目':
            professor.sciResPro = content
        elif column == '教学工作':
            professor.teachWork = content
        elif column == '论文/期刊':
            professor.paper = content
        elif column == '专著/译著':
            professor.treatise = content
        elif column == '专利':
            professor.patent = content
        elif column == '软件著作权':
            professor.softwarePatent = content
        elif column == '获奖与荣誉':
            professor.honor = content
        elif column == '社会兼职':
            professor.partTimeJob = content
        print(content)
    insertProfessor(professor)

入库

入库的话就比较简单了
主要就是创建 cursor，执行sql，提交即可。

cursor = db.cursor()
cursor.execute(sql)
db.commit()

结语

至此，导师的信息就已经被录入到数据库中了。后续的话，可以通过数据库检索，或者制作个 web 页对导师信息进行检索和展示什么的，就看个人的喜好了。

该爬虫源码和建表 sql 我都放在 GitHub 上了，感兴趣的同学可以自取： Github:bjtu_cs_prof_spider。

另外我也做了个简易的在线导师检索工具，方便大家检索：北交大计算机导师在线检索工具

工具源码地址：Github:bjtu_cs_prof_spider_web