首页 > 编程语言 > 详细

Python第一个爬虫,爬取当当网 Top 500 本五星好评书籍

时间:2019-07-19 09:50:52      阅读:236      评论:0      收藏:0      [点我收藏+]
来啦,老弟

技术分享图片

我们已经知道怎么使用

Requests]

进行各种请求骚操作

也知道了对服务器返回的数据如何使用

正则表达式

来过滤我们想要的内容

...

那么接下来

我们就使用 requests 和 re 来写一个爬虫

作为一个爱看书的你(说的跟真的似的)

技术分享图片

怎么能发现好书呢?

所以我们

爬取当当网的前 500 本好五星评书籍

怎么样?

技术分享图片

ok

接下来就是

学习 python 的正确姿势

请在电脑的陪同下

边看本文边练习

首先我们要对我们的目标网站进行分析

先摸清对方的底

我们才能战无不胜

技术分享图片

打开这个书籍排行榜的地址

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-1

我们可以看到是这样的一个网页

技术分享图片

每一页显示 20 本书

当我们点击下一页的时候

你可以发现地址变了

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-2

也就是我们翻到第几页的时候

链接地址的最后一个参数会跟着变

那么我们等会在 python 中可以用一个变量

来实现获取不同页数的内容

技术分享图片

接着

用我们之前说的 Chrome 骚操作

来分析一下

我们要的内容是怎么请求的

以及

返回给我们的源代码是什么样的

技术分享图片

可以看到

我们通过 GET 请求

技术分享图片

我们的请求头

技术分享图片

这是服务器返回来的数据

技术分享图片

接着我们再来分析一下我们要抓取的关键信息

技术分享图片

我们要的就是前 500 本书的

排名

书名

图片地址

作者

推荐指数

五星评分次数

价格

通过源码我们可以看到

这些信息被放在了 <li> 标签中

技术分享图片

技术分享图片

那么我们等会就可以使用

来进行过滤我们要的信息

一顿分析完了之后

接下来撸代码了

技术分享图片

主要思路

使用 page 变量来实现翻页

我们使用 requests 请求当当网

然后将返回的 HTML 进行正则解析

由于我们暂时还没学到数据库

所以解析完之后就把内容存到文件中。学习过程中有不懂的可以加入我们的学习交流秋秋圈784中间758后面214,与你分享Python企业当下人才需求及怎么从零基础学习Python,和学习什么内容。相关学习视频资料、开发工具都有分享

?

def main(page):
   url = ‘http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-‘ + str(page)
    html = request_dandan(url)
   items = parse_result(html) # 解析过滤我们想要的信息

   for item in items:
       write_item_to_file(item)

技术分享图片

?

请求当当网

当我们请求成功之后

拿到源代码

?

def request_dandan(url):
   try:
       response = requests.get(url)
       if response.status_code == 200:
           return response.text
   except requests.RequestException:
       return None

技术分享图片

?

拿到源代码了

就要对其解析

使用正则表达式获取我们想要的关键信息

获取到了之后我们封装一下数据

?

def parse_result(html):
   pattern = re.compile(‘<li>.*?list_num.*?(\d+).</div>.*?<img src="(.*?)".*?class="name".*?title="(.*?)">.*?class="star">.*?class="tuijian">(.*?)</span>.*?class="publisher_info">.*?target="_blank">(.*?)</a>.*?class="biaosheng">.*?<span>(.*?)</span></div>.*?<p><span\sclass="price_n">&yen;(.*?)</span>.*?</li>‘,re.S)
    items = re.findall(pattern,html)
   for item in items:
       yield {
           ‘range‘: item[0],
           ‘iamge‘: item[1],
           ‘title‘: item[2],
           ‘recommend‘: item[3],
           ‘author‘: item[4],
           ‘times‘: item[5],
           ‘price‘: item[6]
       }

技术分享图片

?

打印一下看看结果

?

for item in items:
       print(item)

技术分享图片

?

可以看到这样的数据

技术分享图片

没毛病

现在我们获取的是第 1 页的数据

如何自动获取 25 页 500 条数据呢

来个 for 循环呗

?

if __name__ == "__main__":
   for i in range(1,26):
       main(i)

技术分享图片

?

获取完 500 本书的数据之后

存到 book.txt 文件

?

def write_item_to_file(item):
   print(‘开始写入数据 ====> ‘ + str(item))
   with open(‘book.txt‘, ‘a‘, encoding=‘UTF-8‘) as f:
       f.write(json.dumps(item, ensure_ascii=False) + ‘\n‘)
       f.close()

技术分享图片

?

完成

项目跑起来,学习过程中有不懂的可以加入我们的学习交流秋秋圈784中间758后面214,与你分享Python企业当下人才需求及怎么从零基础学习Python,和学习什么内容。相关学习视频资料、开发工具都有分享

技术分享图片

技术分享图片

打开我们存储的 book.txt 看看

技术分享图片

前 500 本书的数据就被我们拿到啦

技术分享图片

Python第一个爬虫,爬取当当网 Top 500 本五星好评书籍

原文:https://blog.51cto.com/14445003/2421469

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!