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😄

《Python数据处理》封面

参考《Python数据处理》第11章 网页抓取:获取并存储网络数据。

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" 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/...">...</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('%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 %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('/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)