前言
使用 requests进行爬取、BeautifulSoup进行数据提取。
主要分成两步: 第一步是解析图书列表页,并解析出里面的图书详情页链接。 第二步是解析图书详情页,提取出感兴趣的内容,本例中根据不同的数据情况,采用了不同的提取方法,总的感觉就是BeautifulSoup用起来很方便
以下是几个典型HTML内容提取的Python代码片段
1、提取详情页链接
列表页中的详情页链接片段
<h4 class="name"> <a href="/book/1921" rel="external nofollow" title="深度学习入门:基于Python的理论与实现"> 深度学习入门:基于Python的理论与实现 </a> </h4>
提取详情页链接的Python代码
# bs是BeautifulSoup的instance
bs.select('.name')
for 详情链接信息 in bs.select('.name'):
# 提取出链接
print(详情链接信息.a.get('href'))
2、提取详情页中的图书名称
详情页中图书名称HTML代码
<h2> 深度学习入门:基于Python的理论与实现 </h2>
提取图书名称的Python代码
# 因为提取出来的文字前后还带了很多空格,所以要用strip去掉 bs.h2.get_text().strip()
3、提取电子书价格信息
详情页中电子书价格HTML代码
<dt>电子书</dt> <dd> <span class="price">¥29.99</span> </dd>
提取电子书价格的Python代码
# 因为不是每本书都有电子书,所以要判断一下
有电子书 = bs.find("dt", text="电子书")
if 有电子书:
价格=有电子书.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:]
print(float(价格))
完整代码
# ituring.py,python3版本,默认只抓两页,可以通过启动参数控制要抓的列表页范围
import sys
import requests
import time
from bs4 import BeautifulSoup
def 输出图书列表中的详情链接(bs):
# 找到页面中所有的 <h4 class="name"><a href="/book/..." rel="external nofollow" >...</a></h4>
for 详情链接信息 in bs.select('.name'):
# 提取出链接
yield 详情链接信息.a.get('href')
def 获取图书详情(链接):
详情页 = requests.get('http://www.ituring.com.cn%s' %链接)
if 详情页.ok:
bs = BeautifulSoup(详情页.content, features="html.parser")
图书 = {}
图书['title'] = bs.h2.get_text().strip()
图书['status'] = bs.find("strong", text="出版状态").next_sibling
有定价 = bs.find("strong", text="定 价")
if 有定价:
图书['price'] = 有定价.next_sibling
有电子书 = bs.find("dt", text="电子书")
if 有电子书:
图书['ePrice'] = float(有电子书.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:])
有出版日期 = bs.find("strong", text="出版日期")
if 有出版日期:
图书['date'] = 有出版日期.next_sibling
图书['tags'] = []
for tag in bs.select('.post-tag'):
图书['tags'].append(tag.string)
return 图书
else:
print('"html.parser")
# 提取 列表页中的 详情页链接,并逐一分析
for 详情页面链接 in 输出图书列表中的详情链接(bs):
图书信息 = 获取图书详情(详情页面链接)
# 得到的图书信息,按照自己的需求去处理吧
print(图书信息)
# 抓完一本书休息一下
time.sleep(0.1)
print('✅ 第%s页获取完毕\n\t' %(页序号 + 1))
else:
print('❌ 第%s页获取出错\n\t' %(页序号 + 1))
if __name__ == '__main__':
# 默认图书列表起始页 和 终止页
起始图书列表页码 = 1
终止图书列表页码 = 2 # ⚠️ 改改代码页可以实现自动获得最后一页
# 获取输入参数; ⚠️此处未对输入参数的类型做检测
if(len(sys.argv)==2):
# 只有一个参数时,输入的是终止页码,起始页码默认为 0
终止图书列表页码 = int(sys.argv[1])
if(len(sys.argv)==3):
# 有两个参数时, 第一个参数是起始页码,第二个参数是终止页码
起始图书列表页码 = int(sys.argv[1])
终止图书列表页码 = int(sys.argv[2])
解析图书列表页(起始图书列表页码, 终止图书列表页码)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
python,爬虫,抓取,处理
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。