加入收藏 | 设为首页 | 会员中心 | 我要投稿 李大同 (https://www.lidatong.com.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 编程开发 > Python > 正文

python书籍信息爬虫实例

发布时间:2020-12-17 07:19:45 所属栏目:Python 来源:网络整理
导读:python书籍信息爬虫示例,供大家参考,具体内容如下 背景说明 需要收集一些书籍信息,以豆瓣书籍条目作为源,得到一些有效书籍信息,并保存到本地数据库。 获取书籍分类标签 具体可参考这个链接: https://book.douban.com/tag/view=type 然后将这些分类标签

python书籍信息爬虫示例,供大家参考,具体内容如下

背景说明

需要收集一些书籍信息,以豆瓣书籍条目作为源,得到一些有效书籍信息,并保存到本地数据库。

获取书籍分类标签

具体可参考这个链接:
https://book.douban.com/tag/?view=type

然后将这些分类标签链接存到本地某个文件,存储内容如下

https://book.douban.com/tag/小说
https://book.douban.com/tag/外国文学
https://book.douban.com/tag/文学
https://book.douban.com/tag/随笔
https://book.douban.com/tag/中国文学
https://book.douban.com/tag/经典
https://book.douban.com/tag/日本文学
https://book.douban.com/tag/散文
https://book.douban.com/tag/村上春树
https://book.douban.com/tag/诗歌
https://book.douban.com/tag/童话
......

获取书籍信息,并保存本地数据库

假设已经建好mysql表,如下:

CREATE TABLE `book_info` (
 `id` int(11) NOT NULL AUTO_INCREMENT,`bookid` varchar(64) NOT NULL COMMENT 'book ID',`tag` varchar(32) DEFAULT '' COMMENT '分类目录',`bookname` varchar(256) NOT NULL COMMENT '书名',`subname` varchar(256) NOT NULL COMMENT '二级书名',`author` varchar(256) DEFAULT '' COMMENT '作者',`translator` varchar(256) DEFAULT '' COMMENT '译者',`press` varchar(128) DEFAULT '' COMMENT '出版社',`publishAt` date DEFAULT '0000-00-00' COMMENT '出版日期',`stars` float DEFAULT '0' COMMENT '评分',`price_str` varchar(32) DEFAULT '' COMMENT '价格string',`hotcnt` int(11) DEFAULT '0' COMMENT '评论人数',`bookdesc` varchar(8192) DEFAULT NULL COMMENT '简介',`updateAt` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '修改日期',PRIMARY KEY (`id`),UNIQUE KEY `idx_bookid` (`bookid`),KEY `idx_bookname` (`bookname`),KEY `hotcnt` (`hotcnt`),KEY `stars` (`stars`),KEY `idx_tag` (`tag`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='书籍信息';

并已实现相关爬虫逻辑,主要用到了BeautifulSoup包,如下:

#!/usr/bin/python
# coding: utf-8

import re
import logging
import requests
import pymysql
import random
import time
import datetime
from hashlib import md5
from bs4 import BeautifulSoup

logging.basicConfig(level=logging.INFO,format='[%(levelname)s][%(name)s][%(asctime)s]%(message)s',datefmt='%Y-%m-%d %H:%M:%S')

class DestDB:
 Host = "192.168.1.10"
 DB = "spider"
 Table = "book_info"
 User = "test"
 Pwd = "123456"

def connect_db(host,db,user,pwd):
 conn = pymysql.connect(
  host=host,user=user,passwd=pwd,db=db,charset='utf8',connect_timeout=3600) #,#  cursorclass=pymysql.cursors.DictCursor)
 conn.autocommit(True)
 return conn

def disconnect_db(conn,cursor):
 cursor.close()
 conn.close()

#提取评价人数,如果评价人数少于10人,按10人处理
def hotratings(person):
 try:
  ptext = person.get_text().split()[0]
  pc = int(ptext[1:len(ptext)-4])
 except ValueError:
  pc = int(10)
 return pc

# 持久化到数据库
def save_to_db(tag,book_reslist):
 dest_conn = connect_db(DestDB.Host,DestDB.DB,DestDB.User,DestDB.Pwd)
 dest_cursor = dest_conn.cursor()

 isql = "insert ignore into book_info "
 isql += "(`bookid`,`tag`,`author`,`translator`,`bookname`,`subname`,`press`,"
 isql += "`publishAt`,`price_str`,`stars`,`hotcnt`,`bookdesc`) values "
 isql += ",".join(["(%s)" % ",".join(['%s']*12)]*len(book_reslist))

 values = []
 for row in book_reslist:
  # 暂时将md5(bookname+author)作为bookid唯一指
  bookid = md5(("%s_%s"%(row[0],row[2])).encode('utf-8')).hexdigest()
  values.extend([bookid,tag]+row[:10])

 dest_cursor.execute(isql,tuple(values))
 disconnect_db(dest_conn,dest_cursor)

# 处理每一次访问的页面
def do_parse(tag,url):
 page_data = requests.get(url)
 soup = BeautifulSoup(page_data.text.encode("utf-8"),"lxml")
 # 提取标签信息
 tag = url.split("?")[0].split("/")[-1]
 # 抓取作者,出版社信息
 details = soup.select("#subject_list > ul > li > div.info > div.pub")
 # 抓取评分
 scores = soup.select("#subject_list > ul > li > div.info > div.star.clearfix > span.rating_nums")
 # 抓取评价人数
 persons = soup.select("#subject_list > ul > li > div.info > div.star.clearfix > span.pl")
 # 抓取书名
 booknames = soup.select("#subject_list > ul > li > div.info > h2 > a")
 # 抓取简介 
 descs = soup.select("#subject_list > ul > li > div.info > p")
 # 从标签信息中分离内容
 book_reslist = []
 for detail,score,personCnt,bookname,desc in zip(details,scores,persons,booknames,descs):
  try:
   subtitle = ""
   title_strs = [s.replace('n','').strip() for s in bookname.strings]
   title_strs = [s for s in title_strs if s]
   # 部分书籍有二级书名
   if not title_strs:
    continue
   elif len(title_strs) >= 2:
    bookname,subtitle = title_strs[:2]
   else:
    bookname = title_strs[0]

   # 评分人数
   hotcnt = hotratings(personCnt)
   desc = desc.get_text()
   stars = float('%.1f' % float(score.get_text() if score.get_text() else "-1"))

   author,translator,press,publishAt,price = [""]*5
   detail_texts = detail.get_text().replace('n','').split("/")
   detail_texts = [s.strip() for s in detail_texts]

   # 部分书籍无译者信息
   if len(detail_texts) == 4:
    author,price = detail_texts[:4]
   elif len(detail_texts) >= 5:
    author,price = detail_texts[:5]
   else:
    continue

   # 转换出版日期为date类型
   if re.match('^[d]{4}-[d]{1,2}',publishAt):
    dts = publishAt.split('-')
    publishAt = datetime.date(int(dts[0]),int(dts[1]),1)
   else:
    publishAt = datetime.date(1000,1,1)

   book_reslist.append([author,subtitle,price,stars,hotcnt,desc])
  except Exception as e:
   logging.error(e)

 logging.info("insert count: %d" % len(book_reslist))
 if len(book_reslist) > 0:
  save_to_db(tag,book_reslist)
  book_reslist = []
 return len(details)

def main():
 with open("book_tags.txt") as fd:
  tags = fd.readlines()
  for tag in tags:
   tag = tag.strip()
   logging.info("current tag url: %s" % tag)
   for idx in range(0,1000000,20):
    try:
     url = "%s?start=%d&type=T" % (tag.strip(),idx)
     cnt = do_parse(tag.split('/')[-1],url)
     if cnt < 10:
      break
     # 睡眠若干秒,降低访问频率
     time.sleep(random.randint(10,15))
    except Exception as e:
     logging.warn("outer_err: %s" % e)
   time.sleep(300)

if __name__ == "__main__":
 main()

小结

以上代码基于python3环境来运行;
需要首先安装BeautifulSoup: pip install bs4
爬取过程中需要控制好访问频率;
需要对一些信息进行异常处理,比如译者信息、评论人数等。

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编程小技巧。

您可能感兴趣的文章:

  • 零基础写python爬虫之爬虫编写全记录
  • Python爬虫框架Scrapy安装使用步骤
  • 零基础写python爬虫之使用urllib2组件抓取网页内容
  • 使用Python编写简单网络爬虫抓取视频下载资源
  • Python爬虫模拟登录带验证码网站
  • 零基础写python爬虫之使用Scrapy框架编写爬虫
  • python模拟新浪微博登陆功能(新浪微博爬虫)
  • python抓取网页图片示例(python爬虫)
  • Python实现抓取页面上链接的简单爬虫分享
  • 零基础写python爬虫之HTTP异常处理

(编辑:李大同)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

    推荐文章
      热点阅读