Python3 爬虫爬取中国图书网(淘书团) 记录

标签：刷新   with open   package   review   parser   登录   get   pack   res   

本人为一名刚开始学Python爬虫的小白，开贴仅为记录下自己的学习历程，方便做review

要爬取链接：http://tuan.bookschina.com/

要爬取内容： 图书名称， 图书价格， 以及对应预览图的link

本文用到py packages: requests, BeautifulSoup, json, cvs

打开中国图书网团购页面时，发现网站的信息是动态加载的：

Anyways,先不考虑加载更多页的图书信息，我们从尝试着抓取第一页的图书信息开始：

本次爬虫所用的浏览器为chrome

所以我们打开浏览器的开发者模式F12，可以看到页面加载的相应信息

为了实现模拟浏览器登录功能，我们需要查看header的信息：

完成对应的代码：

header = {
    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36‘,
    ‘Host‘: ‘tuan.bookschina.com‘,
    ‘Referer‘: ‘http://tuan.bookschina.com/‘,
    ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8‘,
    ‘Accept-Encoding‘: ‘gzip, deflate‘,
    ‘Accept-Language‘: ‘zh-CN,zh;q=0.9‘
}

接下来我们需要做的就是分析整个中国图书网的DOM，去查看我们需要的信息，都封装在哪些tags里面

经过地毯式搜索。。。。我们发现我们所需要的信息，都封装在 <ul id=‘taoList".....>的子节点li里面

 所以，我们打算采取BeautifulSoup的解析抓取功能，来实现拿到li内的我们需要的信息

对应的代码:

url = ‘http://tuan.bookschina.com/‘
response = requests.get(url, headers = header) #模仿浏览器登录
response.encoding = ‘utf-8‘
soup = BeautifulSoup(response.text,‘html.parser‘)
for item in soup.select(‘div .taoListInner ul li‘):
    print(item.select(‘h2‘)[0].text) #返回对象为数组
    print(item.select(‘.salePrice‘)[0].text)
    print(item.select(‘img‘)[0].get(‘src‘)) #get方法用来取得tab内部的属性值

首先我们需要调用requests的get方法，拿到响应的response，然后通过BS进行解析，我们会发现，在class 名为 taoListInner的div标签中，封装了我们想要的ul下的li

查看了beautifulsoup的文档，对比了find_all 和select，决定调用select方法拿到对应的标签，然后拿到对应h2标签下的书名； salePrice class下的价格； 以及img标签

内src的预览图link。这样就可以打印出我们想要的第一页所显示的书籍的信息了。

但是问题就出来了。。。如果我们想拿后续页面的更多书籍信息，该怎么办呢，因为bs的select方法是只能解析静态的Dom的

所以我们怀疑，后续的图书数据是通过Ajax 或者 JS 加载的

我们来到开发者模式的XHR下面，我们会发现，每当我们下拉滚动条，刷新图书信息的时候，会跟随者刷新出一个GroupList?.....的链接

我们打开他

惊喜的发现在previews里，封装了我们需要的数据，并且是以Json形式予以保存的

所以我们要拿到这个Json数据，需要去拿他的Request URL

当前的URL为：http://tuan.bookschina.com/Home/GroupList?Type=0&Category=0&Price=0&Order=11&Page=2&Tyjson=true

我们会发现一个规律，每当有新的书籍信息刷新一次的时候，URL中的Page=？也会跟随递增

所以问题迎刃而解了。。。。我们只需要去通过URL拿到返回的JSON进行解析，便可以拿到我们想要的全部数据了

也验证了一个说法，许多动态加载的网站，都会把Json数据封装作为response，这样就给我们的爬虫找到一条捷径

url = ‘http://tuan.bookschina.com/Home/GroupList?Type=0&Category=0&Price=0&Order=11&Page=2&Tyjson=true‘
response = requests.get(url)
result = json.loads(response.text)
bookinfo = {}
for data in result[‘Data‘]:
    bookinfo[‘bookName‘] = data[‘book_name‘]
    bookinfo[‘price‘] = data[‘group_price‘]
    bookinfo[‘iconLink‘] = data[‘group_image‘]
print(url)

这里用里调用了loads()方法，把返回的json数据转换为python的字典，方便拿数据

拿到数据后我们决定把数据存入磁盘，生成cvs的excel文件，方便做进一步的数据分析

所以，本次爬虫小实验全部代码如下：

import requests
from bs4 import BeautifulSoup
import json
import csv

def parse_one_page():
    header = {
        ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36‘,
        ‘Host‘: ‘tuan.bookschina.com‘,
        ‘Referer‘: ‘http://tuan.bookschina.com/‘,
        ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8‘,
        ‘Accept-Encoding‘: ‘gzip, deflate‘,
        ‘Accept-Language‘: ‘zh-CN,zh;q=0.9‘
    }
    url = ‘http://tuan.bookschina.com/‘
    response = requests.get(url, headers = header) #模仿浏览器登录
    response.encoding = ‘utf-8‘
    soup = BeautifulSoup(response.text,‘html.parser‘)
    for item in soup.select(‘div .taoListInner ul li‘):
        print(item.select(‘h2‘)[0].text) #返回对象为数组
        print(item.select(‘.salePrice‘)[0].text)
        print(item.select(‘img‘)[0].get(‘src‘)) #get方法用来取得tab内部的属性值


def dynamtic_claw_data(page, headers, fileName):
    for i in range(page):
        url = ‘http://tuan.bookschina.com/Home/GroupList?Type=0&Category=0&Price=0&Order=11&Page=‘ + str(
            i) + ‘&Tyjson=true‘
        response = requests.get(url)
        result = json.loads(response.text)
        bookinfo = {}
        for data in result[‘Data‘]:
            bookinfo[‘bookName‘] = data[‘book_name‘]
            bookinfo[‘price‘] = data[‘group_price‘]
            bookinfo[‘iconLink‘] = data[‘group_image‘]
            write_csv_rows(fileName,headers,bookinfo)
        print(url)

def write_csv_headers(path, headers):
    with open(path, ‘a‘, encoding=‘gb18030‘, newline=‘‘) as f:
        f_csv = csv.DictWriter(f, headers)
        f_csv.writeheader()


def write_csv_rows(path, headers, rows):
    with open(path, ‘a‘, encoding=‘gb18030‘, newline=‘‘) as f:
        f_csv = csv.DictWriter(f, headers)
         # 如果写入数据为字典，则写入一行，否则写入多行
        if type(rows) == type({}):
            f_csv.writerow(rows)
        else:
            f_csv.writerows(rows)
def main(page):
    # parse_one_page() #Tip: beautifulSoup test
    csv_filename = "bookInfo.csv"
    headers = [‘bookName‘, ‘price‘, ‘iconLink‘]
    write_csv_headers(csv_filename,headers)
    dynamtic_claw_data(page, headers, csv_filename)

if __name__ == ‘__main__‘:
    main(20) #input page num to start

Python3 爬虫爬取中国图书网(淘书团) 记录

标签：刷新   with open   package   review   parser   登录   get   pack   res   

原文地址：https://www.cnblogs.com/ChrisInsistPy/p/8981820.html