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


猜你喜欢
- 目录需求背景思路分析UI展示开始使用一 编写支付组件模板二 支付组件的JS相关代码和说明附:组件JS完整的源码需求背景市场报告列表展示的报告
- Blog Posts的提交让我们从简单的开始。首页上必须有一张用户提交新的post的表单。首先我们定义一个单域表单对象(fileapp/fo
- 最近从某网站下载了一批文档,但是文件是用数字串命名的文档(很多图书馆都这样吧),现在我也下载完了这些文件,也有这些文件的列表,就是不能一个一
- 如果按本文操作遇到一些问题报错,如C:\Users\milyyy\AppData\Roaming\npm-cache\_logs\2018-
- 本文实例讲述了php遍历CSV类。分享给大家供大家参考。具体如下:<?phpclass CSVIterator implements
- 1. Python模块和包:一切从基础开始Python模块是一个Python文件,包含一些相关的函数、类或变量的定义,可以通过 i
- 本文实例为大家分享了Python实点云分割k-means(sklearn),供大家参考,具体内容如下植物叶片分割import numpy a
- 本文实例讲述了PHP简单实现正则匹配省市区的方法。分享给大家供大家参考,具体如下:省市区正则匹配preg_match('/(.*?(
- import pdbdef pdb_test(arg): for i in range(arg):&nb
- 1.检查mysql是否安装yum list installed | grep mysql如果有的话 就全部卸载yum -y remove +
- 本文实例讲述了Go语言判断文件或文件夹是否存在的方法。分享给大家供大家参考,具体如下:Golang 判断文件是否存在有点怪异,是根据在操作文
- 前言在新建完一个MVC项目之后,你会发现整个整个项目结构中存在有两个web.config文件,如下图所示:这两个配置文件,一个位于项目的根目
- 算法简介SOM网络是一种竞争学习型的无监督神经网络,将高维空间中相似的样本点映射到网络输出层中的邻近神经元。训练过程简述:在接收到训练样本后
- git cherry-pick可以选择某一个分支中的一个或几个commit(s)来进行操作。例如,假设我们有个稳定版本的分支,叫v2.0,另
- 目录1. jieba 分词2. pkuseg 分词3. FoolNLTK 分词4. THULAC大家好,我是安果!分词在自然语言处理中有着常
- 正在看的ORACLE教程是:常见数据库系统比较 Oracle数据库。提起数据库,第一个想到的公司,一般都会是Oracle。该公司
- 一.axisaxis就是指定轴。三维数组可看作元素是二维数组的一维数组,二维数组可看作元素是一维数组的一维数组 。(这么理解就舒服了!)例:
- 我就废话不多说了,大家还是直接看代码吧!#! usr/bin/python3.5# -*- coding:utf-8 -*-a = inpu
- 1.查询高于平均价格的商品名称: SELECT item_name FROM ebsp.product_market_price WHERE
- 在开发过程中,难免会遇到内网开发的情况,但是又没有vpn。其实SSH连接工具xshell就可以实现简单的代理功能一、首先新建会话连接远程服务