Python 50行爬蟲抓取并處理圖靈書目過程詳解

<h5 class="name">
 <a href="/book/1921" rel="external nofollow" title="深度學習入門：基于Python的理論與實現(xiàn)">
  深度學習入門：基于Python的理論與實現(xiàn)
 </a>
</h5>

# bs是BeautifulSoup的instance
bs.select('.name')
for 詳情鏈接信息 in bs.select('.name'):
 # 提取出鏈接
 print(詳情鏈接信息.a.get('href'))

<h3>
   深度學習入門：基于Python的理論與實現(xiàn)
</h3>

# 因為提取出來的文字前后還帶了很多空格，所以要用strip去掉 
bs.h3.get_text().strip()

<dt>電子書</dt>
 <dd>
   <span class="price">￥29.99</span>
 </dd>

# 因為不是每本書都有電子書，所以要判斷一下
有電子書 = bs.find("dt", text="電子書")
if 有電子書:
 價格=有電子書.next_sibling.next_sibling.find("span", {"class": "price"}).get_text().strip()[1:]
 print(float(價格))

# ituring.py，python3版本，默認只抓兩頁，可以通過啟動參數(shù)控制要抓的列表頁范圍
import sys
import requests
import time
from bs4 import BeautifulSoup

def 輸出圖書列表中的詳情鏈接(bs):
 # 找到頁面中所有的 <h5 class="name"><a href="/book/..." rel="external nofollow" >...</a></h5>
 for 詳情鏈接信息 in bs.select('.name'):
  # 提取出鏈接
  yield 詳情鏈接信息.a.get('href')

def 獲取圖書詳情(鏈接):
 詳情頁 = requests.get('http://www.ituring.com.cn%s' %鏈接)
 if 詳情頁.ok:
  bs = BeautifulSoup(詳情頁.content, features="html.parser")

  圖書 = {}

  圖書['title'] = bs.h3.get_text().strip()
  圖書['status'] = bs.find("strong", text="出版狀態(tài)").next_sibling

  有定價 = bs.find("strong", text="定　　價")
  if 有定價:
   圖書['price'] = 有定價.next_sibling

   有電子書 = bs.find("dt", text="電子書")
   if 有電子書:
    圖書['ePrice'] = float(有電子書.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:
   圖書['date'] = 有出版日期.next_sibling

  圖書['tags'] = []
  for tag in bs.select('.post-tag'):
   圖書['tags'].append(tag.string)

  return 圖書

 else:
  print('❌ 詳情頁 http://www.ituring.com.cn%s' %鏈接)

def 解析圖書列表頁(起始頁, 終止頁):
 for 頁序號 in range(起始頁 - 1, 終止頁): 
  # 逐一訪問圖書列表頁面
  列表頁 = requests.get('http://www.ituring.com.cn/book?tab=book&sort=new&page=%s' %頁序號)

  if 列表頁.ok:
   # 創(chuàng)建 BeautifulSoup 的 instance
   bs = BeautifulSoup(列表頁.content, features="html.parser")

   # 提取 列表頁中的 詳情頁鏈接，并逐一分析
   for 詳情頁面鏈接 in 輸出圖書列表中的詳情鏈接(bs):
    圖書信息 = 獲取圖書詳情(詳情頁面鏈接)
    # 得到的圖書信息，按照自己的需求去處理吧
    print(圖書信息)
    # 抓完一本書休息一下
    time.sleep(0.1)

   print('✅ 第%s頁獲取完畢\n\t' %(頁序號 + 1))
  else:
   print('❌ 第%s頁獲取出錯\n\t' %(頁序號 + 1))

if __name__ == '__main__':
 # 默認圖書列表起始頁 和 終止頁
 起始圖書列表頁碼 = 1
 終止圖書列表頁碼 = 2 # ⚠️ 改改代碼頁可以實現(xiàn)自動獲得最后一頁 

 # 獲取輸入?yún)?shù); ⚠️此處未對輸入?yún)?shù)的類型做檢測
 if(len(sys.argv)==2):
  # 只有一個參數(shù)時，輸入的是終止頁碼，起始頁碼默認為 0
  終止圖書列表頁碼 = int(sys.argv[1])
 if(len(sys.argv)==3):
  # 有兩個參數(shù)時， 第一個參數(shù)是起始頁碼，第二個參數(shù)是終止頁碼
  起始圖書列表頁碼 = int(sys.argv[1])
  終止圖書列表頁碼 = int(sys.argv[2])

 解析圖書列表頁(起始圖書列表頁碼, 終止圖書列表頁碼)