Python爬虫(一)——豆瓣下图书信息

  1. 云栖社区>
  2. 博客>
  3. 正文

Python爬虫(一)——豆瓣下图书信息

奶berber 2018-06-23 15:09:00 浏览1490
展开阅读全文

爬虫目的:
  随着近年互联网的发展,网络上的信息飞速数量增长。在庞大的数据面前想要获得
期望的信息往往如同大海捞针。通过合理的筛选,在百万甚至数亿计的数据中找到所需
信息,无疑有着非常大的意义。
  在豆瓣网下,有很多与日常生活相关的模块网站
  
  内置的评分评价功能可以为用户提供很大选择空间,以豆瓣读书为例:

  
  

  其中包含六个大型模块(文学,流行,文化,生活,经管,科技),内部细分了145个小型模块。
  在以数十万计的图书信息中,找到各模块中热门好评图书,对于读者或是书商都是很重要的。


    爬虫代码概述

一.数据存储

  csv文件存储,为方便后继使用pandas进行分析,对于爬取的html文件使用BeautifulSoup进行解析
  字段选择为 : 书名(titles) 作者/出版社(authors) 评分(nums) 评论数(peoples)

 

1     csvinfo = open(name + '.csv', 'ab')
2     begcsv = csv.writer(csvinfo)
3     begcsv.writerow(['titles', 'authors', 'nums', 'peoples'])
4     csvinfo.close()

 

二.网页解析

  html中书名(titles) 作者/出版社(authors) 评分(nums) 评论数(peoples)等字段对应selector分别为:

    #subject_list > ul > li > div.info > h2 > a

    #subject_list > ul > li > div.info > div.pub

    #subject_list > ul > li > div.info > div.star.clearfix > span.rating_nums

    #subject_list > ul > li > div.info > div.star.clearfix > span.pl

解析代码如下 :  
 1 # 爬取指定name模块的url,并存储至name.csv文件
 2 def web(url, name):
 3     db_data = requests.get(url, headers=header)
 4     soup = BeautifulSoup(db_data.text, 'lxml')
 5     titles = soup.select('#subject_list > ul > li > div.info > h2 > a')
 6     authors = soup.select('#subject_list > ul > li > div.info > div.pub')
 7     nums = soup.select('#subject_list > ul > li > div.info > div.star.clearfix > span.rating_nums')
 8     peoples = soup.select('#subject_list > ul > li > div.info > div.star.clearfix > span.pl')
 9 
10     for title, author, num, people in zip(titles, authors, nums, peoples):
11         data = [
12             (
13                 title.get('title'),
14                 author.get_text().replace(' ', '').replace("\n", ""),
15                 num.get_text().replace(' ', '').replace("\n", ""),
16                 people.get_text().replace(' ', '').replace("\n", "")
17             )
18         ]
19         csvfile = open(name + '.csv', 'ab')
20         writer = csv.writer(csvfile)
21         print(data)
22         writer.writerows(data)
23         csvfile.close()

 

三.请求头设置

1 header = {
2     'Accept': '*/*;',
3     'Connection': 'keep-alive',
4     'Accept-Language': 'zh-CN,zh;q=0.9',
5     'Accept-Encoding': 'gzip, deflate, br',
6     'Host': 'book.douban.com',
7     'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
8 }

 

四.图书分页

  

    在豆瓣的反爬虫机制中,正常人浏览习惯只会查看靠前的页码,而位于后面的一般不会查看,

所以豆瓣将50页之后的书籍信息设置为只能通过搜索查询,在分页中无法查看。url规则为每页加20,get请求,所以在确定标签后,可以修改start值来换页。

   

 

 

代码:
1 # name模块标签分页  指定为前50页
2 def setCsv(name):
3     url = 'https://book.douban.com/tag/' + name
4     urls = [('https://book.douban.com/tag/' + name + '?start={}&type=T').format(str(i)) for i in range(20, 980, 20)]
5     info(name=name)
6     web(url, name)
7     for single_url in urls:
8         print(single_url)
9         web(single_url, name=name)


五.完整代码

 1 # -*- coding: utf-8 -*-
 2 from bs4 import BeautifulSoup
 3 import requests
 4 import csv
 5 import sys
 6 
 7 reload(sys)
 8 sys.setdefaultencoding('utf-8')
 9 
10 # 请求头设置
11 header = {
12     'Accept': '*/*;',
13     'Connection': 'keep-alive',
14     'Accept-Language': 'zh-CN,zh;q=0.9',
15     'Accept-Encoding': 'gzip, deflate, br',
16     'Host': 'book.douban.com',
17     'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
18 }
19 
20 
21 # 初始化csv文件
22 def info(name):
23     csvinfo = open(name + '.csv', 'ab')
24     begcsv = csv.writer(csvinfo)
25     begcsv.writerow(['titles', 'authors', 'nums', 'peoples'])
26     csvinfo.close()
27 
28 
29 # 爬取指定name模块的url,并存储至name.csv文件
30 def web(url, name):
31     db_data = requests.get(url, headers=header)
32     soup = BeautifulSoup(db_data.text, 'lxml')
33     titles = soup.select('#subject_list > ul > li > div.info > h2 > a')
34     authors = soup.select('#subject_list > ul > li > div.info > div.pub')
35     nums = soup.select('#subject_list > ul > li > div.info > div.star.clearfix > span.rating_nums')
36     peoples = soup.select('#subject_list > ul > li > div.info > div.star.clearfix > span.pl')
37 
38     for title, author, num, people in zip(titles, authors, nums, peoples):
39         data = [
40             (
41                 title.get('title'),
42                 author.get_text().replace(' ', '').replace("\n", ""),
43                 num.get_text().replace(' ', '').replace("\n", ""),
44                 people.get_text().replace(' ', '').replace("\n", "")
45             )
46         ]
47         csvfile = open(name + '.csv', 'ab')
48         writer = csv.writer(csvfile)
49         print(data)
50         writer.writerows(data)
51         csvfile.close()
52 
53 
54 # name模块标签分页  指定为前50页
55 def setCsv(name):
56     url = 'https://book.douban.com/tag/' + name
57     urls = [('https://book.douban.com/tag/' + name + '?start={}&type=T').format(str(i)) for i in range(20, 980, 20)]
58     info(name=name)
59     web(url, name)
60     for single_url in urls:
61         print(single_url)
62         web(single_url, name=name)
63 
64 
65 if __name__ == '__main__':
66     setCsv(str)  #str为标签名

 

六.数据结果

 

 

  1 wber@wber:~/桌面$ tree -h 数据
  2 数据
  3 ├── [4.0K]  经管
  4 │   ├── [ 41K]  策划.csv
  5 │   ├── [ 79K]  创业.csv
  6 │   ├── [ 70K]  股票.csv
  7 │   ├── [ 98K]  管理.csv
  8 │   ├── [ 67K]  广告.csv
  9 │   ├── [ 90K]  金融.csv
 10 │   ├── [ 95K]  经济学.csv
 11 │   ├── [ 79K]  理财.csv
 12 │   ├── [ 43K]  企业史.csv
 13 │   ├── [ 94K]  商业.csv
 14 │   ├── [ 89K]  投资.csv
 15 │   └── [ 86K]  营销.csv
 16 ├── [4.0K]  科技
 17 │   ├── [ 19K]  UCD.csv
 18 │   ├── [ 21K]  UE.csv
 19 │   ├── [ 64K]  web.csv
 20 │   ├── [ 92K]  编程.csv
 21 │   ├── [ 43K]  程序.csv
 22 │   ├── [ 89K]  互联网.csv
 23 │   ├── [ 33K]  交互.csv
 24 │   ├── [ 64K]  交互设计.csv
 25 │   ├── [ 66K]  科技.csv
 26 │   ├── [100K]  科普.csv
 27 │   ├── [ 99K]  科学.csv
 28 │   ├── [5.8K]  神经网络.csv
 29 │   ├── [ 48K]  算法.csv
 30 │   ├── [ 20K]  通信.csv
 31 │   └── [ 65K]  用户体验.csv
 32 ├── [4.0K]  流行
 33 │   ├── [ 23K]  J.K.罗琳.csv
 34 │   ├── [ 67K]  阿加莎·克里斯蒂.csv
 35 │   ├── [ 37K]  安妮宝贝.csv
 36 │   ├── [ 18K]  沧月.csv
 37 │   ├── [ 81K]  穿越.csv
 38 │   ├── [ 75K]  耽美.csv
 39 │   ├── [ 76K]  东野圭吾.csv
 40 │   ├── [ 21K]  高木直子.csv
 41 │   ├── [ 37K]  古龙.csv
 42 │   ├── [ 22K]  郭敬明.csv
 43 │   ├── [ 50K]  韩寒.csv
 44 │   ├── [106K]  绘本.csv
 45 │   ├── [ 40K]  几米.csv
 46 │   ├── [ 49K]  金庸.csv
 47 │   ├── [ 99K]  科幻.csv
 48 │   ├── [ 97K]  科幻小说.csv
 49 │   ├── [ 19K]  落落.csv
 50 │   ├── [ 98K]  漫画.csv
 51 │   ├── [ 91K]  魔幻.csv
 52 │   ├── [ 98K]  奇幻.csv
 53 │   ├── [ 90K]  青春.csv
 54 │   ├── [ 85K]  青春文学.csv
 55 │   ├── [ 86K]  日本漫画.csv
 56 │   ├── [ 65K]  三毛.csv
 57 │   ├── [ 96K]  推理.csv
 58 │   ├── [ 97K]  推理小说.csv
 59 │   ├── [ 83K]  网络小说.csv
 60 │   ├── [ 76K]  武侠.csv
 61 │   ├── [ 46K]  校园.csv
 62 │   ├── [ 94K]  悬疑.csv
 63 │   ├── [ 84K]  言情.csv
 64 │   ├── [ 62K]  亦舒.csv
 65 │   ├── [ 80K]  张小娴.csv
 66 │   └── [ 14K]  张悦然.csv
 67 ├── [4.0K]  生活
 68 │   ├── [ 82K]  爱情.csv
 69 │   ├── [ 93K]  成长.csv
 70 │   ├── [ 49K]  家居.csv
 71 │   ├── [ 80K]  健康.csv
 72 │   ├── [ 93K]  教育.csv
 73 │   ├── [ 88K]  励志.csv
 74 │   ├── [ 70K]  两性.csv
 75 │   ├── [ 89K]  灵修.csv
 76 │   ├── [ 85K]  旅行.csv
 77 │   ├── [ 82K]  美食.csv
 78 │   ├── [ 85K]  女性.csv
 79 │   ├── [ 83K]  情感.csv
 80 │   ├── [ 58K]  人际关系.csv
 81 │   ├── [ 85K]  摄影.csv
 82 │   ├── [ 89K]  生活.csv
 83 │   ├── [ 67K]  手工.csv
 84 │   ├── [100K]  心理.csv
 85 │   ├── [ 64K]  养生.csv
 86 │   ├── [ 80K]  游记.csv
 87 │   ├── [ 86K]  职场.csv
 88 │   └── [ 21K]  自助游.csv
 89 ├── [4.0K]  文化
 90 │   ├── [ 93K]  传记.csv
 91 │   ├── [ 94K]  电影.csv
 92 │   ├── [ 77K]  二战.csv
 93 │   ├── [ 69K]  佛教.csv
 94 │   ├── [ 76K]  国学.csv
 95 │   ├── [ 78K]  回忆录.csv
 96 │   ├── [ 88K]  绘画.csv
 97 │   ├── [ 86K]  建筑.csv
 98 │   ├── [ 75K]  近代史.csv
 99 │   ├── [ 76K]  军事.csv
100 │   ├── [ 61K]  考古.csv
101 │   ├── [ 91K]  历史.csv
102 │   ├── [ 82K]  美术.csv
103 │   ├── [ 89K]  人文.csv
104 │   ├── [ 85K]  人物传记.csv
105 │   ├── [ 91K]  社会.csv
106 │   ├── [ 93K]  社会学.csv
107 │   ├── [ 90K]  设计.csv
108 │   ├── [ 84K]  数学.csv
109 │   ├── [ 90K]  思想.csv
110 │   ├── [ 89K]  文化.csv
111 │   ├── [ 90K]  西方哲学.csv
112 │   ├── [ 79K]  戏剧.csv
113 │   ├── [102K]  心理学.csv
114 │   ├── [ 96K]  艺术.csv
115 │   ├── [ 82K]  艺术史.csv
116 │   ├── [ 82K]  音乐.csv
117 │   ├── [ 95K]  哲学.csv
118 │   ├── [ 90K]  政治.csv
119 │   ├── [ 89K]  政治学.csv
120 │   ├── [ 80K]  中国历史.csv
121 │   ├── [ 67K]  自由主义.csv
122 │   └── [ 86K]  宗教.csv
123 └── [4.0K]  文学
124     ├── [ 32K]  茨威格.csv
125     ├── [ 66K]  村上春树.csv
126     ├── [ 67K]  当代文学.csv
127     ├── [ 19K]  杜拉斯.csv
128     ├── [ 89K]  儿童文学.csv
129     ├── [ 24K]  港台.csv
130     ├── [ 76K]  古典文学.csv
131     ├── [ 92K]  经典.csv
132     ├── [ 40K]  鲁迅.csv
133     ├── [ 16K]  米兰·昆德拉.csv
134     ├── [ 84K]  名著.csv
135     ├── [ 23K]  钱钟书.csv
136     ├── [ 87K]  日本文学.csv
137     ├── [ 75K]  散文.csv
138     ├── [ 76K]  诗词.csv
139     ├── [ 87K]  诗歌.csv
140     ├── [ 79K]  随笔.csv
141     ├── [ 91K]  童话.csv
142     ├── [ 79K]  外国名著.csv
143     ├── [ 99K]  外国文学.csv
144     ├── [ 61K]  王小波.csv
145     ├── [ 89K]  文学.csv
146     ├── [ 88K]  小说.csv
147     ├── [ 31K]  余华.csv
148     ├── [ 73K]  杂文.csv
149     ├── [ 60K]  张爱玲.csv
150     └── [ 71K]  中国文学.csv
151 
152 6 directories, 142 files

 

 

 

 

网友评论

登录后评论
0/500
评论
奶berber
+ 关注