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('"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)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
暂无评论...
更新日志
2024年11月25日
2024年11月25日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]