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。
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/
复制代码
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。
提取所有图书分类;
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);
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:
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 time
class 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 = item.get("href")
type = href[href.find('C')+1:-1]
self.categorys.append(type)
复制代码
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
……
复制代码
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_detail
与 run
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!")
复制代码
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。
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_str
def 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)
复制代码
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。
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
复制代码
收藏时间
代码下载地址:https://codechina.csdn.net/hihell/python120,可否给个 Star。
来都来了,不发个评论,点个赞,收个藏吗?
评论