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 requestsfrom lxml.html import etreeimport randomimport 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。
xiaoshuowenxueyuyanlishidiliyishu……
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