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