(二)爬取豆瓣网的书名（BeautifulSoup库）|Python网络爬虫与信息提取

1.爬取网页的步骤
2.爬取网页的代码1结果显示
3.爬取网页的代码2结果显示
4.代码分析
最近更新：2018-01-16

1.爬取网页的步骤

• 步骤1：确认是否安装requests库，BeautifulSoup4库;
  安装方法参考：Windows系统的cmd，以requests为例，输入：pip install requests
• 步骤2：打开豆瓣读书网页链接。
  https://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book
• 步骤3：在网页右击鼠标右键，选择““查看源代码””，查看代码是否为html代码中，如是则可以用requests，BeautifulSoup4库可以提取相关的信息。如不是，则不可以。
• 步骤4：查看该网站的Robots协议。（该网站无Robots）。
• 步骤5：确认爬取资料的目的，撰写代码，并进行爬取数据。
  a）输入：豆瓣网小说的URL链接；
  b）输出：豆瓣网小说的名称；
  c）技术路线：requests-bs4；
  d）定向爬虫：仅对输入URL进行定向爬取，不扩展爬取。

2.爬取网页的代码1结果显示

2.1爬取网页的代码

#CrawUnivRankingB.py
import requests
from bs4 import BeautifulSoup
url="http://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book"
r=requests.get(url)
demo=r.text
soup=BeautifulSoup(demo,"html.parser")
book_div = soup.find(attrs={"id":"book"})
book_a = book_div.find_all(attrs={"class":"title"})
for book in book_a:
    print (book.string)

2.2 代码显示的结果

---

书名.png

---

3.爬取网页的代码2结果显示

3.1爬取网页的代码

import requests
from bs4 import BeautifulSoup
import bs4
url="http://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book"
r=requests.get(url)
demo=r.text
soup=BeautifulSoup(demo,"html.parser")
for tr in soup.find(attrs={"id":"book"}).children:
    if isinstance(tr,bs4.element.Tag):
        tds=tr(attrs={"class":"title"})
        for book in tds:
            print (book.string)

3.2 代码显示的结果

---

书名.png

---

4. 代码分析

4.1这里用BeautifulSoup解析，基本流程：

• 缩小范围,这里我们通过id="book"获取所有的书
• 然后通过class="title"，遍历所有的书名。

4.2分析页面源代码

页面源代码.png

4.3代码1说明

• book_div-通过id=book获取div标签
• book_a-通过class="title"获取所有的book_a标签
• for循环-是遍历book_a所有的a标签
• book.string-是输出a标签中的内容

4.4代码2说明

• soup.find　　　通过id=book获取tr标签
• tds　　　 通过class="title"获取所有的tds标签
• for循环-是遍历tds所有的标签
• book.string-是输出a标签中的内容