孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例

行是知之始,知是行之成。这篇文章主要讲述孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例相关的知识,希望能为你提供帮助。
电商类网站爬虫,永远是爬虫圈必爬项目。今天我们就拿《孔夫子旧书网》练练手。
爬取目标源数据分析本次要爬取的目标网址为 https://book.kongfz.com/Cxiaoshuo/v6/,打开页面寻找分页数据,在下图所示位置可以进行页码切换。

孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例

文章图片

在切换页码的同时,捕获到分页链接,并寻找分页规则。
https://book.kongfz.com/Cxiaoshuo/v6w1/ https://book.kongfz.com/Cxiaoshuo/v6w2/ https://book.kongfz.com/Cxiaoshuo/v6w3/

提炼列表页地址模板为 https://book.kongfz.com/C类别/v6w页码/
上述内容梳理完毕,就可以对列表页进行采集爬取了,本次爬取分为三个步骤进行。
  1. 提取所有图书分类;
  2. 采集每个类别下的列表页(测试数据,只采集单一分类下的 5 页数据);
  3. 提取目标数据,例如图书名称,作者,出版社,出版时间,店铺名称等信息。
接下来按照步骤实现即可。
提取所有图书分类通过开发者工具,捕获图书分类区域 html 代码,如下所示:
孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例

文章图片

上述数据,可访问任意分类页即可获取,核心代码如下所示,其中 self.get_headers() 函数,可参考之前的博客,或者下载代码查阅。
import requests from lxml.html import etree import random import timeclass SSS: def __init__(self):self.url_format = https://book.kongfz.com/C/v6w/ # 待抓取的分类,可以扩展 self.types = ["wenxue", "xiaoshuo"] self.session = requests.Session() self.headers = self.get_headers() self.categorys =[]def get_categorys(self):with self.session.get(url=https://book.kongfz.com/Cfalv/,headers=self.headers) as res: if res: html = etree.HTML(res.text) items = html.cssselect(.tushu div.link-item a) # 匹配出URL中的type for item in items: # print(item) # print(item.get("href")) href = https://www.songbingjia.com/android/item.get("href") type = href[href.find(C)+1:-1] self.categorys.append(type)

此时简单运行之后,就会得到如下清单,即孔夫子旧书网所有图书分类。
xiaoshuo wenxue yuyan lishi dili yishu ……

此时遍历该列表,即可获取所有图书列表页数据,学习阶段,可取其中一条进行分析,例如我选择的文学与小说分类,self.types = ["wenxue", "xiaoshuo"]
采集分类页静态页面数据对于静态页面数据,采用之前的方法保存到本地即可,在 SSS 类中增加 get_detailrun 函数,页码由于数据量的原因,最大为 200,可以先设置为 5,便于爬取,下述代码在运行时,注意提前建立好 孔夫子 文件夹。
代码继续使用 session.get 方法,进行数据请求。
def get_detail(self, type, page): with self.session.get(url=self.url_format.format(type, page), headers=self.headers, timeout=5) as res: if res.text: with open(f"./孔夫子/type_page.html", "w+", encoding="utf-8") as f: f.write(res.text) else: # 如果无数据,重新请求 print(f"页码page请求异常,重新请求") self.get_detail(page)def run(self): pagesize = 5 for type in self.types: for page in range(1, pagesize): self.get_detail(type, page) time.sleep(2) print(f"分类:type,页码:page页面储存完毕!")

运行代码,得到如下数据,实测过程中,并未发现反爬措施,为了便于测试,可针对性控制请求速度。
孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例

文章图片

提取数据最后对本地 HTML 进行操作,获取最终的目标数据。
在进行提取的时候,依旧是 CSS 选择器 的使用熟练程度起决定性作用,当然对于异常数据的处理,也需要注意一下。
# 数据提取类 class Analysis: def __init__(self): # 待抓取的分类,可以扩展 self.types = ["wenxue", "xiaoshuo"]# 去除特殊字符 def remove_character(self, origin_str): if origin_str is None: return origin_str = origin_str.replace(\\n, ) origin_str = origin_str.replace(,, ,) return origin_strdef format(self, text): html = etree.HTML(text) # 获取所有项目区域 div div_books = html.cssselect(div#listBox> div.item) for book in div_books: # 获取标题属性值 title = book.cssselect(div.item-info> div.title)[0].get(title) # 作者默认给空值 author = None author_div = book.cssselect(div.item-info> div.zl-isbn-info> span:nth-child(1)) if len(author_div)> 0: author = author_div[0].text # 出版社相同操作 publisher = None publisher_div = book.cssselect(div.item-info> div.zl-isbn-info> span:nth-child(2)) if len(publisher_div)> 0: # 进行数据提取与截取 publisher = publisher_div[0].text.split( )[1] print(publisher)def run(self): pagesize = 5 for type in self.types: for page in range(1, pagesize): with open(f"./孔夫子/type_page.html", "r", encoding="utf-8") as f: text = f.read() # print(text) self.format(text)

提取过程中出现了部分异常数据,针对异常数据进行特殊化处理即可,例如下述截图数据。
孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例

文章图片

学习阶段,就不再继续提取更多的数据,仅提取书名,作者和出版社。
长篇小说:达哈士孔的狒狒(精装) [法]阿尔丰斯·都德著;李劼人译 四川文艺出版社 剑王朝.4 论剑 无罪 长江出版社 只有月亮听得见 康玲玲 四川文艺出版社 元尊1·潜龙在渊 天蚕土豆著 长江出版社 畅销书女王:张爱玲的33堂写作课 端木向宇 天津人民出版社 区块链改变世界 严行方 中国纺织出版社 我们还会再见吗 苗勇刚、贾宇萍译 中国出版集团,现代出版社 仲夏夜之恋I 小妮子著 作家出版社 长篇霸都亚纳(精装) [法]赫勒·马郎著;李劼人译 四川文艺出版社

收藏时间【孔夫子旧书网数据采集,举一反三学爬虫,Python爬虫120例第21例】==来都来了,不发个评论,点个赞,收个藏吗?==

    推荐阅读