Python 50行爬虫抓取并处理图灵书目过程详解

Python  /  管理员 发布于 7年前   164

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="https: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instancebs.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 sysimport requestsimport timefrom bs4 import BeautifulSoupdef 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="https: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。