豆瓣讀書爬蟲(requests + re)
前面整理了一些爬蟲的內容,今天寫一個小小的栗子,內容不深,大佬請忽略。內容包括對豆瓣讀書網站中的書籍的基本信息進行爬取,並整理,便於我們快速了解每本書的中心。
一、爬取信息
每當爬取某個網頁的信息時,首先就是要進入到網頁中,看看有沒有什麽爬取過程中的限制,可以查看網站的robots協議。就是在原網址的後面加上"/robots.txt"。本網站中得到的結果是:
User-agent: * Disallow: /subject_search Disallow: /search Disallow: /new_subject Disallow: /service/iframe Disallow: /j/ Sitemap: http://www.douban.com/sitemap_index.xml Sitemap: http://www.douban.com/sitemap_updated_index.xml User-agent: Wandoujia Spider Disallow: /
根據上面的協議可以看到,並沒有禁止一些普通的爬蟲,就像我們現在這樣,僅僅爬取一點點的東西來供自己使用。那麽,我們就可以使用之前文章中提到的結構來實現這個爬蟲,首先導入函數庫,然後套用框架,傳入地址,返回頁面內容。這點內容在這篇博客中寫到了,這裏就不詳細解釋了。到此,網頁的爬取就結束了,接下來就剩下從這些東西中拿到我們想要的內容。
1 import requests
2
3 url = "https://book.douban.com/"
4 def getHtmlText(url):
5 headers = {
6 ‘User-Agent ‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36‘
7 }
8 try:
9 response = requests.get(url, headers=headers)
10 response.raise_for_status()
11 response.encoding = response.apparent_encoding
12 return response.text
13 except:
14 print("Fail")
15 return
16
17 html = getHtmlText(url)
二、信息處理
上面提取的的網頁代碼包括很多東西,像展示出來的頁面的各種框架等等,這些對我們來說都是沒有用的,而且通過正則來提取信息,如果在整個頁面中直接提取的話,不免會出現一些巧合,使得沒有提取到真正想要的內容,而且pattern一樣的其他內容,所以,首先,把要把關鍵的塊先拿出來,再一點一點的取出具體信息。
1 import re
2
3 re_books = re.compile(‘<ul class="list-col list-col5 list-express slide-item">(.*?)</ul>‘, re.S) # re.S也在正則表達式的博客中寫到了,是為了讓“.”可以匹配換行符
4 content = re_books.search(html)
通過檢查網頁源代碼,找到可以取出主要信息的匹配規則,將中間的內容全部獲得。剩下的就是通過正則來提取每本書的每項信息。這個在於自己觀察他們的規律,尋找匹配的規則。信息的標簽不止一個,最後選擇了使用pandas來整理數據,pandas的DataFrame數據類型可以很方便的存儲二維結構,而且pandas有將數據之間存儲成excel格式的方法(DataFrame.to_excel())。
1 import pandas as pd # 這是大部分人的習慣,pandas比較長,而且在數據處理中經常使用,所以用pd兩個字母來代表
2
3 # 首先,先創建一個DataFrame,之後遍歷每本書籍的信息,存成DataFrame格式拼接在他的後面就可以了
4 data = pd.DataFrame(columns=[‘title‘, ‘author‘, ‘abstract‘, ‘href‘, ‘publisher‘])
5
6 re_book = re.compile(‘<li class="">(.*?)</li>‘, re.S)
7 bookList = re_book.findall(content[0]) # findall找到所有的書籍信息,返回為列表格式
8 for book in bookList:
9 count = 0
10 count += 1
11 href = re.search(‘href="(.*?)"‘, book) # .*? 是指以非貪婪的模式匹配,()是分組,通過group方便取出其中的信息
12 href = href.group(1)
13 title = re.search(‘<h4 class="title">(.*?)</h4>‘, book, re.S)
14 title = title.group(1).split()[0]
15 author = re.search(‘<span class="author">(.*?)</span>‘, book, re.S)
16 author = ‘ ‘.join(author.group(1).split())
17 publisher = re.search(‘<span class="publisher">(.*?)</span>‘, book, re.S)
18 publisher = ‘ ‘.join(publisher.group(1).split())
19 abstract = re.search(‘<p class="abstract">(.*?)</p>‘, book, re.S)
20 abstract = ‘ ‘.join(abstract.group(1).split())
21 abstract = re.sub(‘【內容簡介】‘, ‘‘, abstract) # 慢慢調試中發現,取得的信息不太好看,其中在第一本數的主要內容開頭有這麽幾個字,就用re的sub方法替換掉了
22 new = pd.DataFrame({"title":title, "author":author, "abstract":abstract, "href":href, "publisher":publisher}, index=["0"])
23 data = data.append(new, ignore_index=True)
24 data.to_excel(‘bookInfo.xls‘, encoding=‘utf-8‘)
我們可以看一下得到的結果,pandas直接輸出的結果也很規整,這裏存儲到了excel中,起初存到csv文件中,但是亂碼了,後面沒多想就換成了excel,稍後我再去看看怎麽回事,或者有讀者清楚地,可以教教博主。
圖中有些東西沒有展示出來,但是大家都懂對吧。可以自己試一試。當然這個爬蟲很淺,僅得到這點的數據,後面的內容就交給你們了,可以試著往深裏點一點,原理都是大同小異的,學習爬蟲在平時就要隨時發現可以挖掘的東西,慢慢嘗試。
豆瓣讀書爬蟲(requests + re)