Python爬取 豆瓣读书标签:编程

要爬取的网站:https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=%7B%E5%81%8F%E7%A7%BB%E9%87%8F%7D&type=T

爬取网站示意图:

Python爬取 豆瓣读书标签:编程_第1张图片

爬取结果:

简单版:

Python爬取 豆瓣读书标签:编程_第2张图片

 复杂版:

Python爬取 豆瓣读书标签:编程_第3张图片

 代码:

简单版:

import numpy as np
import csv
import time
def get_one_page(url):
 response = requests.get(url)
 if response.status_code == 200:
  return response.text
 return None
 
def main():
 url = 'https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=%7B%E5%81%8F%E7%A7%BB%E9%87%8F%7D&type=T'
 html = get_one_page(url)
 soup=BeautifulSoup(html,'lxml')
 for book in soup.select('.subject-item'):
	 #find_all
#  bookimg=book.find('img')
  bookbreif=book.get_text(strip=True)#去除换行,空格
  print(bookbreif)
main()

升级版:

import requests
from bs4 import BeautifulSoup
import re
import numpy as np
import csv
import time
def get_one_page(url):
 response = requests.get(url)
 if response.status_code == 200:
  return response.text
 return None
 
def main():
 url = 'https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=%7B%E5%81%8F%E7%A7%BB%E9%87%8F%7D&type=T'
 html = get_one_page(url)
 soup=BeautifulSoup(html,'lxml')
 for book in soup.select('.subject-item'):
	 #find_all
  for link in book.find_all('a'):
   if link.get('title') != None:
   # 
    print("《"+link.get_text(strip=True)+"》")
  bookurl=book.find('a').get('href')
  print(bookurl)
  bookpub=book.select('.pub')[0].text.lstrip('\n ').rstrip('\n ')
  print(bookpub)
  bookfeedback=book.select('.pl')[0].text.lstrip('\n ').rstrip('\n ')
  print(bookfeedback)

main()

解释:

1,确定范围

 for book in soup.select('.subject-item'):
#寻找class='subject-item'的标签

2, 获得该书的书名

for link in book.find_all('a'):
   if link.get('title') != None:
    print("《"+link.get_text(strip=True)+"》")
#在class=subject-item的标签下,寻找全部的标签,然后if筛选,
#筛选标准:title不等于None

为什么筛选标准是 title不等于None?

 因为标签不止一个,要找出含有 书名的特点,所以找到它(标签)的特点就是:其title属性不能为空

Python爬取 豆瓣读书标签:编程_第4张图片

3,获得该书的链接地址

bookurl=book.find('a').get('href')

4,获得该书的出版信息

  bookpub=book.select('.pub')[0].text.lstrip('\n ').rstrip('\n ')

5,获得该书的用户评价

  bookfeedback=book.select('.pl')[0].text.lstrip('\n ').rstrip('\n ')

知识点补充:

(1),如何获得标签内的信息

 (1),bookfeedback=book.select('.pl')[0].text.lstrip('\n ').rstrip('\n ')

[0].text 表示获取标签内的信息,转为text

lstrip('\n ').rstrip('\n ')   表示删除多余的空格和换行

(2),find_all()与select()怎么用

find_all()获取标签内信息用get_text()属性

select()获取标签内信息用[0].text()

 

你可能感兴趣的:(Python爬虫)