Python 50行爬虫抓取并处理图灵书目过程详解

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