python3 [入门基础实战] 爬虫入门之爬取豆瓣读书随笔页面

程序员文章站 2022-05-02 17:45:45

...

话不多说，先上今晚的代码

# encoding=utf8
import requests
import re
from bs4 import BeautifulSoup

# 此处是爬去豆瓣读书的随笔页面
# page=0
# doubarurl = 'https://book.douban.com/tag/%E9%9A%8F%E7%AC%94?start='+str(page)+'&type=T'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.2372.400 QQBrowser/9.5.10548.400'
    ,
    'Cookie': 'bid=I0klBiKF3nQ; ll="118277"; ap=1; gr_user_id=ffdf2f63-ec37-49b5-99e8-0e0d28741172; _pk_ref.100001.3ac3=%5B%22%22%2C%22%22%2C1498223948%2C%22https%3A%2F%2Fwww.douban.com%2F%22%5D; _vwo_uuid_v2=8C5B24903B1D1D3886FE478B91C5DE97|7eac18658e7fecbbf3798b88cfcf6113; gr_session_id_22c937bbd8ebd703f2d8e9445f7dfd03=9c102dec-1bbc-4abe-ba94-298c209e7fc5; gr_cs1_9c102dec-1bbc-4abe-ba94-298c209e7fc5=user_id%3A0; _pk_id.100001.3ac3=957aa3bc98093993.1498223948.1.1498224184.1498223948.; _pk_ses.100001.3ac3=*'
    ,
}


def getDouBanHtml(url):
    print('url ===   '+url)
    req = requests.get(url, headers)
    html = req.text
    return html

def parseDouBanHtml(html):
    # print(html)
    soup = BeautifulSoup(html, 'lxml')
    # 标题
    main_title_list = soup.findAll('ul',{'class':'subject-list'})
    title = soup.findAll('a',attrs={'title':True})

    # 出版社
    address = soup.findAll('div',{'class':'pub'})
    for adress in address:
        print(str(adress.string).strip())
        print('==='*40)

    # 评价
    recomends = soup.findAll('span',{'class':'p1'})
    for recomend in recomends:
        print(str(recomend.string).strip())
        print('---'*40)

    # 介绍
    details = soup.findAll('p')
    for detail in details:
        print(str(detail.string).strip())
        print('^^^^'*40)
    # print(title)
    for item in title:
        print(str(item.string).strip())
        print("*"*40)
    # for title in main_title_list:
        # print(title)
    # print(main_title_list)
# 叠加
def diejia(n):
    if n == 0:
        return 0
    else:
        return (n-1)*20
print(diejia(0))
# data = getDouBanHtml(doubarurl)
# print(data)
# parseDouBanHtml(data)

for i in range(0,95):
    index = diejia(i)
    print('i   '+str(i)+'     pageIndex     '+str(index))
    doubarurl = 'https://book.douban.com/tag/%E9%9A%8F%E7%AC%94?start=' + str(index) + '&type=T'
    print('doubarurl    '+doubarurl)
    data = getDouBanHtml(doubarurl)
    parseDouBanHtml(data)

不错，今晚爬的就是豆瓣的读书随笔页面

说下思路吧：

一开始先把url考过来，然后进行对比，发现

https://book.douban.com/tag/%E9%9A%8F%E7%AC%94?start=20&type=T

每次变化都是start= 后的数字变化的，现在我们就暂且爬取一页的数据，

用的还是上一次用的requests和bs4 下的 beautifulsoup

困扰很久的是title标签的获取，暂时上传不了图片，就先这样解释一下：
因为title是一个attr，不是一个tag，这个我也是不是大懂，边百度边进行调试的，

title = soup.findAll('a',attrs={'title':True})

这里说的是如果不知道title是什么value 就直接设置为true，这样爬取的就是title下的内容了

还有一个就是爬完后，得到的并不是标题，而是标题连接一些其他的标签一块给爬出来了。此时我们就用title.string方法得到它的字符串内容，这样就可爬出来

注意一点的是：

每次其他类型转string类型都转不了，我们可以用str(xxx) 或者”“.join（xxx）方法转为string，这种视情况而定。

可能主要还是beautifulsoup 这个库用不熟，本来也不是很熟，这是我第二次爬出来比较简陋的一些数据，不过比第一次的多了一些

整体思路：

先把整个网页爬取下来，再进行某个字段的爬取，然后进行其他字段的爬取，最后多页进行爬取，这里借鉴了下大才哥的beautifulsoup，确实很详细

存在的缺陷：

爬取的标签还参合着其他东西，例如最后一个p标签爬取内容简介的东西，

爬取下来的留有较大的空格暂时不知道怎么除掉

没有进行文件的存储

总体过程还算是比较好的，虽然豆瓣上显示有那么多，但是实际上豆瓣并没有那么多页数，一共也就50 页，尴尬ing。。今晚就差不多这样结束吧。工作压力也是挺大的，干活的跟说话的想法确实不一样。