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我们。
赞 (0)