python爬虫06 | 你的第一个爬虫，爬取当当网 Top 500 本五星好评书籍

 

来啦，老弟

 

 

我们已经知道怎么使用

 

Requests

 

进行各种请求骚操作

 

也知道了对服务器返回的数据如何使用

 

正则表达式

 

来过滤我们想要的内容

 

...

 

那么接下来

 

我们就使用 requests 和 re 来写一个爬虫

 

作为一个爱看书的你（说的跟真的似的）

 

 

怎么能发现好书呢？

 

所以我们

 

爬取当当网的前 500 本好五星评书籍

 

怎么样？

 

 

ok

 

接下来就是

 

学习 python 的正确姿势

 

请在电脑的陪同下

 

边看本文边练习

 

首先我们要对我们的目标网站进行分析

 

先摸清对方的底

 

我们才能战无不胜

 

 

打开这个书籍排行榜的地址

 

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-1

 

我们可以看到是这样的一个网页

 

 

每一页显示 20 本书

 

当我们点击下一页的时候

 

你可以发现地址变了

 

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-2

 

也就是我们翻到第几页的时候

 

链接地址的最后一个参数会跟着变

 

那么我们等会在 python 中可以用一个变量

 

来实现获取不同页数的内容

 

 

接着

 

用我们之前说的 Chrome 骚操作

 

来分析一下

 

我们要的内容是怎么请求的

 

以及

 

返回给我们的源代码是什么样的

 

 

可以看到

 

我们通过 GET 请求

 

 

我们的请求头

 

 

这是服务器返回来的数据

 

 

接着我们再来分析一下我们要抓取的关键信息

 

 

 

我们要的就是前 500 本书的

 

排名

书名

图片地址

作者

推荐指数

五星评分次数

价格

 

通过源码我们可以看到

 

这些信息被放在了 <li> 标签中

 

 

那么我们等会就可以使用

 

年轻人，不会正则表达式你睡得着觉？有点出息没有？

 

来进行过滤我们要的信息

 

一顿分析完了之后

 

接下来撸代码了

 

 

主要思路

 

使用 page 变量来实现翻页

 

我们使用 requests 请求当当网

 

然后将返回的 HTML 进行正则解析

 

由于我们暂时还没学到数据库

 

所以解析完之后就把内容存到文件中

 

 

def main(page):
    url = 'http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-' + str(page)
    html = request_dandan(url)
    items = parse_result(html) # 解析过滤我们想要的信息
    
    for item in items:
        write_item_to_file(item)

 

请求当当网

 

当我们请求成功之后

 

拿到源代码

 

def request_dandan(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
    except requests.RequestException:
        return None

 

 

拿到源代码了

 

就要对其解析

 

使用正则表达式获取我们想要的关键信息

 

获取到了之后我们封装一下数据

 

def parse_result(html):
    pattern = re.compile('<li>.*?list_num.*?(d+).</div>.*?<img src="(.*?)".*?class="name".*?title="(.*?)">.*?class="star">.*?class="tuijian">(.*?)</span>.*?class="publisher_info">.*?target="_blank">(.*?)</a>.*?class="biaosheng">.*?<span>(.*?)</span></div>.*?<p><spansclass="price_n">&yen;(.*?)</span>.*?</li>',re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield {
            'range': item[0],
            'iamge': item[1],
            'title': item[2],
            'recommend': item[3],
            'author': item[4],
            'times': item[5],
            'price': item[6]
        }

 

 

打印一下看看结果

 

for item in items:
        print(item)

 

可以看到这样的数据

 

 

没毛病

 

现在我们获取的是第 1 页的数据

 

如何自动获取 25 页 500 条数据呢

 

来个 for 循环呗

 

if __name__ == "__main__":
    for i in range(1,26):
        main(i)

 

 

获取完 500 本书的数据之后

 

存到 book.txt 文件

 

 

def write_item_to_file(item):
    print('开始写入数据 ====> ' + str(item))
    with open('book.txt', 'a', encoding='UTF-8') as f:
        f.write(json.dumps(item, ensure_ascii=False) + '
')
        f.close()

 

 

完成

 

项目跑起来

 

 

 

打开我们存储的 book.txt 看看

 

 

 

前 500 本书的数据就被我们拿到啦

 

 

 

本篇完

 

完整代码小帅b已经放到公众号后台啦

 

需要的朋友

 

在公众号发送

 

500

 

即可获取

 

ok

 

咱们下回再见

 

 

扫一扫

学习 Python 没烦恼

 

 

 

近期文章

 

python爬虫03 | 那个叫做Urllib的库让我们的python假装是浏览器

 

python爬虫04 | 长江后浪推前浪，Requests库把urllib库拍在沙滩上

 

python爬虫05 | 年轻人，不会正则表达式你睡得着觉？有点出息没有？

 

 

 

 

 

 

 

支持小帅b的就顺手

点个好看吧