Python爬取十四万条书籍信息告诉你哪本网络小说更好看

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： tm0831

ps：如有需要python学习资料的小伙伴可以加点击下方链接自行获取

页面分析

首先打开微信读书，往下拉之后可以看到有榜单推荐，而且显示总共有25个榜单，有的榜单只有几百本，有的榜单却有几万本书。 打开“文学艺术榜”，可以看到一页显示了20条书本信息，下拉之后很容易就能发现这些书本信息是通过 ajax 来加载的。

更关键的是，要获取这些书籍信息，只需要得到分类 id 和参数 maxindex。不过测试发现，每个分类只会返回50个页面的内容，也就是最多一千条书本信息。那么，如果只有这25个类别的榜单，能得到的数据还是有点少的，所以要怎么得到更多的数据呢？

细心的人可以发现右侧还能选择类别！如下图：

不过，查看这些元素发现里面是没有显示 url 的，如下图：

但是这也不表示没有办法了，全局搜索一下就能找到了，如下图：

categoryid 就是这个分类的 id，也就是 url 中“booklistincategory/”后面的内容。至于 maxindex，可以先设为0，然后发送请求得到这一分类的书本总数“totalcount”，然后根据这个书本总数是否超过一千来设置页数，就能得到这一分类下能够爬取到的所有 url 了。 爬取步骤 　　前面经过分析已经知道只要拿到书本分类 id，就能发送请求得到书本总数，也就能构造该分类下的所有页面的 url 了。那要怎么得到所有分类呢？前面全局搜索的时候已经搜到了书本分类的 categoryid 等信息，如下图：

　　所以只需先请求页面然后用正则匹配 categoryid 就行了！然后对每个分类发送一次请求，用于获取书本总数，并构造这一分类下的所有 url。这一部分代码如下：

　

　　

进行到这一步，后面就很简单了，就是获取请求结果并解析即可。程序运行时打印输出如下：

可以看到总链接数有7091条，那么爬到的书本信息有多少条呢？因为我用的是 mongodb 保存的，所以打开 robot3t 查看，总共有141137条，结果如下图：

 

绘图分析

熟悉 python 的都知道，matplotlib 是 python 中用的最多的 2d 图形绘图库。不过我在这推荐一个好用的第三方库：pyecharts，这是一个用于生成 echarts 图表的类库，生成的图表更加精巧，可视化效果更好，不过需要注意的是 pyecharts 的0.5版本和1.0版本使用方法是不同的。下面就是使用这个库生成的横向柱状图了，分别表示评分前十的书籍、阅读量前十的书籍和总阅读量前十的作者：

 

可以发现评分高的书籍阅读量却不一定高，阅读量更多的往往是一些网络小说。为什么好像现在名著都不怎么讨喜，而网络小说却能让更多人着迷呢？个人猜想是小说里的世界可能更加能够满足现在年轻人的幻想吧，现实生活疲惫不堪，就会更加迷恋小说中的“世外桃源”吧。