侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

selenium+PhantomJS爬取豆瓣读书

前端  /  管理员 发布于 7年前   173

本文实例为大家分享了selenium+PhantomJS爬取豆瓣读书的具体代码,供大家参考,具体内容如下

获取关于Python的全部书籍信息;
通过代码测试 request携带‘User-Agent'及 ‘data'数据信息的方式均无法获取到相关信息,获取数据时,部分数据为空,导致获取过程中报错,无法获取全部数据,初步判定豆瓣读书的反爬机制较为严格;通过selenium 模拟浏览器请求的方法测试后发现,可利用 selenium 方法请求获取数据;

#导入需要的模块from selenium import webdriverimport timefrom lxml import etreeimport pymysqlimport re#创建一个函数def my_browers(url, page):  # 获取浏览器对象  browers = webdriver.PhantomJS(executable_path=r'd:\Desktop\pythonjs\phantomjs-2.1.1-windows\bin\phantomjs.exe')    # 用浏览器发起请求  browers.get(url)    #休息两秒,频率低一点,爬的时间久一点,安全就多一点  time.sleep(2)     # 获取页面信息  html = browers.page_source    # 调用页面解析函数  parse_html(html)  # 解析页面信息def parse_html(html):  # 生成一个xpath对象  html = etree.HTML(html)  # 获取所有的书籍信息列表  books = html.xpath('//div[contains(@class,"sc-bZQynM")]')  # 遍历每一本书籍 然后拿到我们想要的数据  for book in books:    # 创建一个存书字典存数据用    book_dict = {}    # 获取封面信息    pic = book.xpath('//img/@src')    if pic:      book_dict['pic'] = pic[0]    else:      book_dict['pic'] = ''    # print(pic)    # 获取书名    book_name = book.xpath('//div[@class="title"]/a/text()')    # print(book_name)    if book_name:      book_name = book_name[0]      # 删除书名中最后出现的引号,      #由于存数据库的时候书名最后面的引号会导致数据库报错,删除可以使代码更健壮      if '"' in book_name:        pattern = re.compile(r'"')        book_name = pattern.sub('', book_name)      if "'" in book_name:        pattern = re.compile(r"'")        book_name = pattern.sub('', book_name)        # 删除书名中最后出现的\,存数据的时候书名最后的\会把sql语句最后的引号转义,        #删除可以使代码更健壮      if '\\' in book_name:        book_name = book_name[:-1]      book_dict['book_name'] = book_name    else:      book_dict['book_name'] = ''    # 获取书籍详情连接    book_url = book.xpath('//div[@class="title"]/a/@href')    if book_url:      book_dict['book_url'] = book_url[0]    else:      book_dict['book_url'] = ''    # 获取评分信息    score_book = book.xpath('//span[@class="rating_nums"]/text()')    if score_book:      book_dict['score_book'] = score_book[0]    else:      book_dict['score_book'] = ''    # 获取出版社信息    book_detail = book.xpath('//div[@class="meta abstract"]/text()')    if book_detail:      # 删除书详情中最后出现的引号;      book_detail = book_detail[0]      if "'" in book_detail:        pattern = re.compile(r"'")        book_detail = pattern.sub('', book_detail)      book_dict['book_detail'] = book_detail    else:      book_dict['book_detail'] = ''    print(book_dict)    # 调用数据库函数    insert_mysql(book_dict)# 插入数据库def insert_mysql(book_dict):  # 连接数据库  conn = pymysql.connect('localhost', 'root', 'root', 'test', charset='utf8')  # 创建操作数据库的对象  cursor = conn.cursor()  pic = book_dict['pic']  book_name = book_dict['book_name']  book_url = book_dict['book_url']  score = book_dict['score_book']  book_detail = book_dict['book_detail']  sql = f"insert into python_book (pic,book_name,book_url,score,book_detail) " \     f"VALUE ('{pic}','{book_name}','{book_url}','{score}','{book_detail}')"  # 执行并提交  cursor.execute(sql)  conn.commit()if __name__ == '__main__':  for i in range(0, 199):    print('=================下载第{}页========================'.format(i + 1))    page = i * 15    base_url = 'https://book.douban.com/subject_search?search_text=python&cat=1001&start={}'.format(page)    my_browers(base_url, page)

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。


  • 上一条:
    Django 实现前端图片压缩功能的方法
    下一条:
    解决Django中修改js css文件但浏览器无法及时与之改变的问题
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 使用 Alpine.js 排序插件对元素进行排序(0个评论)
    • 在js中使用jszip + file-saver实现批量下载OSS文件功能示例(0个评论)
    • 在vue中实现父页面按钮显示子组件中的el-dialog效果(0个评论)
    • 使用mock-server实现模拟接口对接流程步骤(0个评论)
    • vue项目打包程序实现把项目打包成一个exe可执行程序(0个评论)
    • 近期文章
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • Laravel从Accel获得5700万美元A轮融资(0个评论)
    • 在go + gin中gorm实现指定搜索/区间搜索分页列表功能接口实例(0个评论)
    • 在go语言中实现IP/CIDR的ip和netmask互转及IP段形式互转及ip是否存在IP/CIDR(0个评论)
    • PHP 8.4 Alpha 1现已发布!(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2017-06
    • 2017-07
    • 2017-08
    • 2017-09
    • 2017-10
    • 2017-11
    • 2018-03
    • 2018-04
    • 2018-05
    • 2018-06
    • 2018-09
    • 2018-11
    • 2018-12
    • 2019-02
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2021-04
    • 2021-05
    • 2021-07
    • 2021-08
    • 2021-09
    • 2021-10
    • 2021-11
    • 2022-08
    • 2022-09
    • 2022-10
    • 2022-11
    • 2022-12
    • 2023-01
    • 2023-02
    • 2023-03
    • 2023-04
    • 2023-05
    • 2023-06
    • 2023-07
    • 2023-09
    • 2023-10
    • 2023-11
    • 2023-12
    • 2024-01
    • 2024-02
    • 2024-03
    • 2024-04
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客