Python抓取京东图书评论数据

作者:hebedich 时间:2023-10-16 09:26:37 

 京东图书评论有非常丰富的信息,这里面就包含了购买日期、书名、作者、好评、中评、差评等等。以购买日期为例,使用Python + Mysql的搭配进行实现,程序不大,才100行。相关的解释我都在程序里加注了:

from selenium import webdriver
from bs4 import BeautifulSoup
import re
import win32com.client
import threading,time
import MySQLdb

def mydebug():
    driver.quit()
    exit(0)

def catchDate(s):
    """页面数据提取"""
    soup = BeautifulSoup(s)
    z = []
    global nowtimes
   
    m = soup.findAll("div",class_="date-buy")
    for obj in m:
        try:
            tmp = obj.find('br').contents
        except Exception, e:
            continue
        if(tmp != ""):
            z.append(tmp)
            nowtimes += 1
    return z

def getTimes(n,t):
    """获取当前进度"""
    return "当前进度为:" + str(int(100*n/t)) + "%"


#———————————————————————————————————| 程序开始 |—————————————————————————————————
#确定图书大类
cate = {"3273":"历史","3279":"心理学","3276":"政治军事","3275":"国学古籍","3274":"哲学宗教","3277":"法律","3280":"文化","3281":"社会科学"}

#断点续抓
num1 = input("bookid:")
num2 = input("pagenumber:")

#生成图书大类链接,共需17355*20 = 347100次
totaltimes = 347100.0
nowtimes = 0

#开启webdirver的PhantomJS对象
#driver = webdriver.PhantomJS()
driver = webdriver.Ie('C:\Python27\Scripts\IEDriverServer')
#driver = webdriver.Chrome('C:\Python27\Scripts\chromedriver')

#读出Mysql中的评论页面,进行抓取
# 连接数据库
try:
    conn = MySQLdb.connect(host='localhost',user='root',passwd='',db='jd')
except Exception, e:
    print e
    sys.exit()

# 获取cursor对象
cursor = conn.cursor()
sql = "SELECT * FROM booknew ORDER BY pagenumber DESC"
cursor.execute(sql)
alldata = cursor.fetchall()

flag = 0
flag2 = 0

# 如果有数据返回就循环输出,http://club.jd.com/review/10178500-1-154.html
if alldata:
    for rec in alldata:
        #rec[0]--bookid,rec[1]--cateid,rec[2]--pagenumber
        if(rec[0] != str(num1) and flag == 0):
            continue
        else:
            flag = 1
        for p in range(num2,rec[2]):
            if(flag2 == 0):
                num2 = 0
                flag2 = 1
            p += 1
            link = "http://club.jd.com/review/" + rec[0] + "-1-" + str(p) + ".html"
            #抓网页
            driver.get(link)
            html = driver.page_source
            #抓评论
            buydate = catchDate(html)
            #写入数据库
            for z in buydate:
                sql = "INSERT INTO ljj (id, cateid, bookid, date) VALUES (NULL, '" + rec[0] + "','" + rec[1] + "','" + z[0] + "');"
                try:
                    cursor.execute(sql)
                except Exception, e:
                    print e
            conn.commit()
        print getTimes(nowtimes,totaltimes)

driver.quit()
cursor.close()
conn.close()

标签:Python,抓取,京东图书,评论数据
0
投稿

猜你喜欢

  • Python pandas DataFrame基础运算及空值填充详解

    2022-01-01 22:19:49
  • 详解python实现简单区块链结构

    2023-01-05 22:47:14
  • Python实现的几个常用排序算法实例

    2021-08-13 07:42:54
  • Python format字符串格式化函数的使用

    2023-12-20 12:45:59
  • vue实现动态控制el-table表格列的展示与隐藏

    2024-05-05 09:07:26
  • Python字符串三种格式化输出

    2022-12-15 09:47:59
  • python Crypto模块的安装与使用方法

    2022-09-17 15:19:01
  • 详解Python中的Array模块

    2021-11-14 02:14:27
  • AJAX的jQuery实现入门(二)

    2008-05-01 13:04:00
  • vue3 自定义指令控制按钮权限的操作代码

    2024-05-09 15:08:59
  • anaconda安装pytorch1.7.1和torchvision0.8.2的方法(亲测可用)

    2021-01-13 03:03:38
  • Git 命令使用技巧提供工作效率

    2022-05-11 18:01:33
  • uniapp H5 https跨域请求实现

    2024-04-10 16:20:27
  • MySQL数据库中CHAR与VARCHAR之争

    2011-05-05 16:33:00
  • 详细讲解MySQL数据库对文件操作的封装

    2008-12-17 16:08:00
  • 使用MHTML 解决 data URI scheme 的浏览器兼容问题

    2009-05-11 12:30:00
  • select * from sp_who的解决方案

    2024-01-15 09:55:52
  • Scrapy爬虫框架集成selenium及全面详细讲解

    2021-07-28 18:47:09
  • 合理的网页设计具有哪些特征

    2007-10-09 13:24:00
  • 利用Pytorch实现ResNet网络构建及模型训练

    2022-02-24 19:57:59
  • asp之家 网络编程 m.aspxhome.com