Python 50行爬虫抓取并处理图灵书目过程详解
前言
使用 requests进行爬取、BeautifulSoup进行数据提取。
主要分成两步： 第一步是解析图书列表页，并解析出里面的图书详情页链接。 第二步是解析图书详情页，提取出感兴趣的内容，本例中根据不同的数据情况，采用了不同的提取方法，总的感觉就是BeautifulSoup用起来很方便
以下是几个典型HTML内容提取的Python代码片段
1、提取详情页链接
列表页中的详情页链接片段
<h4 class="name"> <a href="/book/1921" rel="external nofollow" title="深度学习入门：基于Python的理论与实现"> 深度学习入门：基于Python的理论与实现 </a> </h4>
提取详情页链接的Python代码
# bs是BeautifulSoup的instance
bs.select('.name')
for 详情链接信息 in bs.select('.name'):
# 提取出链接
print(详情链接信息.a.get('href'))
2、提取详情页中的图书名称
详情页中图书名称HTML代码
<h2> 深度学习入门：基于Python的理论与实现 </h2>
提取图书名称的Python代码
# 因为提取出来的文字前后还带了很多空格，所以要用strip去掉 bs.h2.get_text().strip()
3、提取电子书价格信息
详情页中电子书价格HTML代码
<dt>电子书</dt> <dd> <span class="price">￥29.99</span> </dd>
提取电子书价格的Python代码
# 因为不是每本书都有电子书，所以要判断一下
有电子书 = bs.find("dt", text="电子书")
if 有电子书:
价格=有电子书.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:]
print(float(价格))
完整代码
# ituring.py，python3版本，默认只抓两页，可以通过启动参数控制要抓的列表页范围
import sys
import requests
import time
from bs4 import BeautifulSoup
def 输出图书列表中的详情链接(bs):
# 找到页面中所有的 <h4 class="name"><a href="/book/..." rel="external nofollow" >...</a></h4>
for 详情链接信息 in bs.select('.name'):
# 提取出链接
yield 详情链接信息.a.get('href')
def 获取图书详情(链接):
详情页 = requests.get('http://www.ituring.com.cn%s' %链接)
if 详情页.ok:
bs = BeautifulSoup(详情页.content, features="html.parser")
图书 = {}
图书['title'] = bs.h2.get_text().strip()
图书['status'] = bs.find("strong", text="出版状态").next_sibling
有定价 = bs.find("strong", text="定 价")
if 有定价:
图书['price'] = 有定价.next_sibling
有电子书 = bs.find("dt", text="电子书")
if 有电子书:
图书['ePrice'] = float(有电子书.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:])
有出版日期 = bs.find("strong", text="出版日期")
if 有出版日期:
图书['date'] = 有出版日期.next_sibling
图书['tags'] = []
for tag in bs.select('.post-tag'):
图书['tags'].append(tag.string)
return 图书
else:
print('❌ 详情页 http://www.ituring.com.cn%s' %链接)
def 解析图书列表页(起始页, 终止页):
for 页序号 in range(起始页 - 1, 终止页):
# 逐一访问图书列表页面
列表页 = requests.get('http://www.ituring.com.cn/book?tab=book&sort=new&page=%s' %页序号)
if 列表页.ok:
# 创建 BeautifulSoup 的 instance
bs = BeautifulSoup(列表页.content, features="html.parser")
# 提取 列表页中的 详情页链接，并逐一分析
for 详情页面链接 in 输出图书列表中的详情链接(bs):
图书信息 = 获取图书详情(详情页面链接)
# 得到的图书信息，按照自己的需求去处理吧
print(图书信息)
# 抓完一本书休息一下
time.sleep(0.1)
print('✅ 第%s页获取完毕\n\t' %(页序号 + 1))
else:
print('❌ 第%s页获取出错\n\t' %(页序号 + 1))
if __name__ == '__main__':
# 默认图书列表起始页 和 终止页
起始图书列表页码 = 1
终止图书列表页码 = 2 # ⚠️ 改改代码页可以实现自动获得最后一页
# 获取输入参数; ⚠️此处未对输入参数的类型做检测
if(len(sys.argv)==2):
# 只有一个参数时，输入的是终止页码，起始页码默认为 0
终止图书列表页码 = int(sys.argv[1])
if(len(sys.argv)==3):
# 有两个参数时， 第一个参数是起始页码，第二个参数是终止页码
起始图书列表页码 = int(sys.argv[1])
终止图书列表页码 = int(sys.argv[2])
解析图书列表页(起始图书列表页码, 终止图书列表页码)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持【听图阁-专注于Python设计】。
