Python 50行爬蟲抓取並處理圖靈書目過程詳解

這篇文章主要介紹了Python 50行爬蟲抓取並處理圖靈書目過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
前言

使用 requests進行爬取、BeautifulSoup進行數據提取。

主要分成兩步： 第一步是解析圖書列表頁，並解析出裏面的圖書詳情頁鏈接。 第二步是解析圖書詳情頁，提取出感興趣的內容，本例中根據不同的數據情況，採用了不同的提取方法，總的感覺就是BeautifulSoup用起來很方便

以下是幾個典型HTML內容提取的Python代碼片段

1、提取詳情頁鏈接

列表頁中的詳情頁鏈接片段

<h4 class="name">
 <a href="/book/1921" rel="external nofollow" title="深度學習入門：基於Python的理論與實現">
  深度學習入門：基於Python的理論與實現
 </a>
</h4>

提取詳情頁鏈接的Python代碼

# bs是BeautifulSoup的instance
bs.select('.name')
for 詳情鏈接信息 in bs.select('.name'):
 # 提取出鏈接
 print(詳情鏈接信息.a.get('href'))

2、提取詳情頁中的圖書名稱

詳情頁中圖書名稱HTML代碼

<h2>
   深度學習入門：基於Python的理論與實現
</h2>

提取圖書名稱的Python代碼

# 因爲提取出來的文字前後還帶了很多空格，所以要用strip去掉 
bs.h2.get_text().strip(

3、提取電子書價格信息
詳情頁中電子書價格HTML代碼

<dt>電子書</dt>
 <dd>
   <span class="price">￥29.99</span>
 </dd>

提取電子書價格的Python代碼

# 因爲不是每本書都有電子書，所以要判斷一下
有電子書 = bs.find("dt", text="電子書")
if 有電子書:
 價格=有電子書.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:]
 print(float(價格))

完整代碼

# ituring.py，python3版本，默認只抓兩頁，可以通過啓動參數控制要抓的列表頁範圍
import sys
import requests
import time
from bs4 import BeautifulSoup
 
def 輸出圖書列表中的詳情鏈接(bs):
 # 找到頁面中所有的 <h4 class="name"><a href="/book/..." rel="external nofollow" >...</a></h4>
 for 詳情鏈接信息 in bs.select('.name'):
  # 提取出鏈接
  yield 詳情鏈接信息.a.get('href')
 
def 獲取圖書詳情(鏈接):
 詳情頁 = requests.get('http://www.ituring.com.cn%s' %鏈接)
 if 詳情頁.ok:
  bs = BeautifulSoup(詳情頁.content, features="html.parser")
 
  圖書 = {}
 
  圖書['title'] = bs.h2.get_text().strip()
  圖書['status'] = bs.find("strong", text="出版狀態").next_sibling
 
  有定價 = bs.find("strong", text="定　　價")
  if 有定價:
   圖書['price'] = 有定價.next_sibling
 
   有電子書 = bs.find("dt", text="電子書")
   if 有電子書:
    圖書['ePrice'] = float(有電子書.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:
   圖書['date'] = 有出版日期.next_sibling
 
  圖書['tags'] = []
  for tag in bs.select('.post-tag'):
   圖書['tags'].append(tag.string)
 
  return 圖書
 
 else:
  print('❌ 詳情頁 http://www.ituring.com.cn%s' %鏈接)
 
def 解析圖書列表頁(起始頁, 終止頁):
 for 頁序號 in range(起始頁 - 1, 終止頁): 
  # 逐一訪問圖書列表頁面
  列表頁 = requests.get('http://www.ituring.com.cn/book?tab=book&sort=new&page=%s' %頁序號)
 
  if 列表頁.ok:
   # 創建 BeautifulSoup 的 instance
   bs = BeautifulSoup(列表頁.content, features="html.parser")
 
   # 提取 列表頁中的 詳情頁鏈接，並逐一分析
   for 詳情頁面鏈接 in 輸出圖書列表中的詳情鏈接(bs):
    圖書信息 = 獲取圖書詳情(詳情頁面鏈接)
    # 得到的圖書信息，按照自己的需求去處理吧
    print(圖書信息)
    # 抓完一本書休息一下
    time.sleep(0.1)
 
   print('✅ 第%s頁獲取完畢\n\t' %(頁序號 + 1))
  else:
   print('❌ 第%s頁獲取出錯\n\t' %(頁序號 + 1))
 
if __name__ == '__main__':
 # 默認圖書列表起始頁 和 終止頁
 起始圖書列表頁碼 = 1
 終止圖書列表頁碼 = 2 # ⚠️ 改改代碼頁可以實現自動獲得最後一頁 
 
 # 獲取輸入參數; ⚠️此處未對輸入參數的類型做檢測
 if(len(sys.argv)==2):
  # 只有一個參數時，輸入的是終止頁碼，起始頁碼默認爲 0
  終止圖書列表頁碼 = int(sys.argv[1])
 if(len(sys.argv)==3):
  # 有兩個參數時， 第一個參數是起始頁碼，第二個參數是終止頁碼
  起始圖書列表頁碼 = int(sys.argv[1])
  終止圖書列表頁碼 = int(sys.argv[2])
 
 解析圖書列表頁(起始圖書列表頁碼, 終止圖書列表頁碼)

最後給大家推薦一個資源很全的python學習聚集地，[點擊進入]，這裏有我收集以前學習心得，學習筆記，還有一線企業的工作經驗，且給大定on零基礎到項目實戰的資料，大家也可以在下方，留言，把不懂的提出來，大家一起學習進步