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。
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。
更新日志
2024年11月14日
2024年11月14日
- 群星.1992-电视金曲巡礼VOL.2【EMI百代】【WAV+CUE】
- 廖昌永《情缘HQ》头版限量[低速原抓WAV+CUE]
- 蔡琴《老歌》头版限量编号MQA-24K金碟[低速原抓WAV+CUE]
- 李嘉《国语转调》3CD[WAV+CUE]
- 谭咏麟《爱的根源 MQA-UHQCD》2022头版限量编号 [WAV+CUE][1G]
- 江洋 《江洋原创琵琶作品专辑》[320K/MP3][118.08MB]
- 江洋 《江洋原创琵琶作品专辑》[FLAC/分轨][228.33MB]
- 《战舰世界》语音包文件夹位置介绍
- 《CSGO》送好友皮肤方法介绍
- 《山羊模拟器重制版》发售平台说明
- 刘德华2002-美丽的一天[香港首批大包装首版][WAV]
- 刘文正《金装刘文正不朽经典金曲》2CD(1995环星)][WAV+CUE]
- 周慧敏《94美的化身演唱会》宝丽金1995港版2CD[WAV+CUE]
- 娃娃.1997-精选180绝版冠军精丫滚石】【WAV+CUE】
- 娃娃.1997-精选290巅峰情歌经典【滚石】【WAV+CUE】