铁雪资源网 Design By www.gsvan.com
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。
标签:
python,爬虫,抓取,处理
铁雪资源网 Design By www.gsvan.com
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:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
铁雪资源网 Design By www.gsvan.com
暂无Python 50行爬虫抓取并处理图灵书目过程详解的评论...
稳了!魔兽国服回归的3条重磅消息!官宣时间再确认!
昨天有一位朋友在大神群里分享,自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址,com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后,确实是网易的网址,也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情,因为以前都没有出现这样的情况,现在突然提示跳转到国服战网的网址,是不是说明了简体中文客户端已经开始进行更新了呢?