Python 50行爬虫抓取并处理图灵书目过程详解
作者:阿狸不歌 发布时间:2023-09-01 22:35:49
标签:python,爬虫,抓取,处理
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)
来源:https://www.ituring.com.cn/article/507446
0
投稿
猜你喜欢
- 在网上查阅资料,发现很少用Python进行高斯函数的三维显示绘图的,原因可能是其图形显示太过怪异,没有MATLAB精细和直观。回顾一下二维高
- 一、os常用方法1.获取当前路径 os.getcwd()# coding:utf-8import osif __name__ == '
- 人口普查人口数量变化图1 第七次人口普查不同省份总人口import pandas as pdfrom collections import
- 前言yield的英文单词意思是生产,刚接触Python的时候感到非常困惑,一直没弄明白yield的用法。最近又重新学习了下,所以整理了下面这
- pycharm sql语句警告产生原因为没有配置数据库,配置数据库,似乎没什么作用那么,直接去掉他的警告提示找到setting->ed
- Django中获取text,password名字:<input type="text" name="na
- 如果你在学校读的是计算机科学专业,那么可能学过 Lambda 表达式, 不过可能从来没有用过它。如果你不是计算机科学专业,它们看着可能 有点
- Python 的代码风格由 PEP 8 描述。这个文档描述了 Python 编程风格的方方面面。在遵守这个文档的条件下,不同程序员编写的 P
- 说明define function,calculate the input parameters and return the result
- 类、构造函数、原型先来说明一点:在上面的内容中提到,每一个函数都包含了一个prototype属性,这个属性指向了一个prototype对象(
- 在pytorch框架中,关于日志的保存,其中一种方式就是借鉴使用了tensorboard的库。所以我们需要在环境中安装tensorboard
- 为什么要用jsonpath就跟为什么要用xpath一样,jsonpath的设计灵感来源于xpath。一个强大的json数据提取工具。让用户不
- 前言本文介绍的是将django项目部署到centos的遇到的一些问题,关于将Django项目部署到CentOs服务器中的步骤可以参考这篇文章
- 本文实例为大家分享了Virginia无密钥解密的具体代码,供大家参考,具体内容如下加密virginia加密是一种多表替换加密方法,通过这种方
- php二维数组排序测试数据 $arr = [
- 本文实例讲述了Flask框架通过Flask_login实现用户登录功能。分享给大家供大家参考,具体如下:通过Flask_Login实现用户验
- 1、pip下载安装1.1 pip下载# wget "https://pypi.python.org/packages/source
- 1.概述Kivy是一套Python下的跨平台开源应用开发框架,官网,我们可以用它来将Python程序打包为安卓的apk安装文件。以下是在wi
- 1、初始化在这章,你将学到Flask应用程序的不同部分。同时,你将编写和运行你的第一个Flask web应用程序。所有的Flask应用程序都
- 这两周组里面几位想学习python,于是我们就创建了一个这样的环境和氛围来给大家学习。昨天在群里,贴了一个需求,就是统计squid访问日志中