from bs4 import BeautifulSoup  # 網頁解析  獲取資料
import re  # 正則表示式 進行文字匹配
import urllib.request, urllib.error  # 制定url 獲取網頁資料
import xlwt

def main():
    baseurl = "http://m.gaosan.com/gaokao/265440.html"
    # 1爬取網頁
    datalist = getData(baseurl)
    savepath = "中國大學排名.xls"
    saveData(datalist,savepath)

# 正則表示式
paiming = re.compile(r'<td>(.*)</td><td>.*</td><td>.*</td><td>.*</td><td>.*</td>')  # 建立超連結正則表示式物件，表示字串模式，規則
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>')

# 爬取網頁
def getData(baseurl):
    datalist = []
    html = askURL(baseurl)  # 儲存獲取到的網頁原始碼
    # print(html)
    #【逐一】解析資料  （一個網頁就解析一次）
    soup = BeautifulSoup(html, "html.parser")  # soup是解析後的樹形結構物件
    for item in soup.find_all('tr'):  # 查詢符合要求的字串形成列表
        # print(item)    #測試檢視item全部
        data = []  # 儲存一個學校的所有資訊
        item = str(item)
        #排名
        paiming1 = re.findall(paiming, item)  # re正則表示式查詢指定字串 0表示只要第一個 前面是標準後面是找的範圍
        # print(paiming1)
        if(not paiming1):
            pass
        else:
            print(paiming1[0])
            data.append(paiming1)
        if(paiming1 in data):
            #學校名字
            xuexiao1 = re.findall(xuexiao, item)[0]
            # print(xuexiao1)
            data.append(xuexiao1)
            #得分
            defen1 = re.findall(defen, item)[0]
            # print(defen1)
            data.append(defen1)
            #星級
            xingji1 = re.findall(xingji, item)[0]
            # print(xingji1)
            data.append(xingji1)
            #層次
            cengci1 = re.findall(cengci, item)[0]
            # print(cengci1)
            data.append(cengci1)
            # print('-'*80)
        datalist.append(data)  # 把處理好的一個學校資訊放入datalist中
    return datalist


# 得到指定一個url網頁資訊內容
def askURL(url):
    # 我的初始訪問user agent
    head = {  # 模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息 偽裝用的
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36"
    }
    # 使用者代理表示告訴豆瓣伺服器我們是什麼型別的機器--瀏覽器  本質是告訴瀏覽器我們可以接受什麼水平的檔案內容
    request = urllib.request.Request(url, headers=head)  # 攜帶頭部資訊訪問url
    # 用request物件訪問
    html = ""
    try:
        response = urllib.request.urlopen(request)  # 用urlopen傳遞封裝好的request物件
        html = response.read().decode("utf-8")  # read 讀取 可以解碼 防治亂碼
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)  # 列印錯誤程式碼
        if hasattr(e, "reason"):
            print(e.reason)  # 列印錯誤原因
    return html


# 3儲存資料
def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 建立workbook物件   樣式壓縮效果
    sheet = book.add_sheet('中國大學排名', cell_overwrite_ok=True)  # 建立工作表  一個表單  cell覆蓋
    for i in range(0, 640):
        print("第%d條" % (i + 1))
        data = datalist[i]
        # print(data)
        for j in range(0, 5):  # 每一行資料儲存進去
            sheet.write(i , j, data[j])  # 資料
    book.save(savepath)  # 儲存資料表


#主函式
if __name__ == "__main__":  # 當程式執行時
    # #呼叫函式     程式執行入口
    main()
    # init_db("movietest.db")
    print("爬取完畢！")