我们在之前的文章中基本上掌握了Python爬虫的原理和方法，不知道大家有没有练习呢。今天我就来找一个简单的网页进行爬取，就当是给之前的兵书做一个实践。不然不就是纸上谈兵的赵括了吗。
好了，我们这次的目标是豆瓣图书Top250，地址是：https://book.douban.com/top250?start=0
准备
爬一个网页我们至少要知道自己需要什么信息，大家看截图：
红色箭头标记的地方就是我们要获取的信息了，包括书的名字，作者和出版社信息，豆瓣评分和一句话简介。我们有了目标信息，就需要找到信息所在的页面源码，然后通过解析源码来获取到信息数据。那么，我们怎样获得页面 HTML 源代码呢？翻阅兵书，我们知道可以使用requests之计。代码实现如下：
import requests
resp = requests.get( 'https://book.douban.com/top250?start=0' )
print (resp.text)
|
运行程序，我们就轻松的获得了敌军的 HTML 信息了。但是问题又来了，我们得到 HTML 信息后，怎样得到我们的目标数据呢？
深夜了，一轮弯月躲在云朵后面，窗外下着雨，我们坐在烛火前，翻阅兵书，顿时茅塞顿开，BeautifulSoup大法好。
我们打开浏览器，按f12到开发者工具，我们从网页源码里查找到数据位置，截图如下：
可以看到书名信息包含在class='pl2' div里面的a标签内，是a标签的title属性。发现目标位置后，就简单多了。我们利用BeautifulSoup来获得一个对象，按找标准的缩进显示的html代码：
from bs4 import BeautifulSoup
soup = BeautifulSoup(resp.text, 'lxml' )
|
推荐大家使用lxml解析器，因为他快。如果安装lxml遇到问题的可以参考 上一篇文章 的方法。当然，如果大家怕麻烦，也完全可以使用Python的内置标准库html.parser.对我们获得结果并没有影响。
开始工作
现在我们要用到BeautifulSoup的find_all()选择器，因为我们这一页有很多书，而每一本书的信息都包含在class=pl2的div标签内，我们使用find_all()就可以直接得到本页所有书的书名了。我们用find()方法和find_all()方法来做一个比较：
# find_all()方法，
# 注意class是Python关键词，后面要加下划线_：
alldiv = soup.find_all( 'div' , class_ = 'pl2' )
for a in alldiv:
names = a.find( 'a' )[ 'title' ]
print ( 'find_all():' , names)
# find()方法：
alldiv2 = soup.find( 'div' , class_ = 'pl2' )
names2 = alldiv2.find( 'a' )[ 'title' ]
print ( 'find():' , names2 )
|
运行结果：
find_all(): 追风筝的人
find_all(): 小王子
# ...
# ...省略部分
# ...
find_all(): 三体Ⅲ
find(): 追风筝的人
Process finished with exit code 0
|
我们通过结果就可以看到两者之间的差距了，前者输出了一页的数据，而后者只输出了第一条数据。所以包括后面的信息，由于每一天数据所在标签是一样的，我们都是用find_all()方法。
上面的代码写的优雅点，就是这样实现,注意结果是一个 list：
# 书名, 注意是L小写，不是阿拉伯数字1
alldiv = soup.find_all( 'div' , class_ = 'pl2' )
names = [a.find( 'a' )[ 'title' ] for a in alldiv]
print (names)
|
这样书名数据我们就得到了，接下来是作者信息。方法和获取书名方法一样：
# 作者,由于信息在一个p标签内部，
# 我们获取到标签直接get_text()方法获得文本内容
allp = soup.find_all( 'p' , class_ = 'pl' )
authors = [p.get_text() for p in allp]
|
运行结果：
[ '[美] 卡勒德·胡赛尼 / 李继宏 / 上海人民出版社 / 2006-5 / 29.00元' ,
'[法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元' ,
'钱锺书 / 人民文学出版社 / 1991-2 / 19.00' ,
'余华 / 南海出版公司 / 1998-5 / 12.00元' ,
# ...
# ...省略部分结果
# ...
'高铭 / 武汉大学出版社 / 2010-2 / 29.80元' ,
'刘慈欣 / 重庆出版社 / 2010-11 / 38.00元' ]
|
后面的评分内容和简介内容也是一样获得，只是标签不同，但是方法一样，具体也不需要多余赘述。直接看实现代码：
# 评分
starspan = soup.find_all( 'span' , class_ = 'rating_nums' )
scores = [s.get_text() for s in starspan]
# 简介
sumspan = soup.find_all( 'span' , class_ = 'inq' )
sums = [i.get_text() for i in sumspan]
|
程序运行成功，我们就获得了4个list，分别是书名，作者，评分和简介内容。我们要把他们放在一起，打印出来，就是一页的数据信息了。
这里我们使用zip()函数，zip()函数在运算时，会以一个或多个序列做为参数，返回一个元组的列表。同时将这些序列中并排的元素配对。
for name, author, score, sum in zip (names, authors, scores, sums):
name = '书名：' + str (name) + '\n'
author = '作者：' + str (author) + '\n'
score = '评分：' + str (score) + '\n'
sum = '简介：' + str ( sum ) + '\n'
data = name + author + score + sum
|
我们使用换行符’\n‘给数据信息一点整齐的样式。我们可以查看到打印的结果，并没有所有数据黏在一起，显得丑陋。
获得信息后，就是保存数据了。保存数据也很简单，Python的文件读写操作就可以实现。代码如下：
# 文件名
filename = '豆瓣图书Top250.txt'
# 保存文件操作
with open (filename, 'w' , encoding = 'utf-8' ) as f:
# 保存数据
f.writelines(data + '=======================' + '\n' )
print ( '保存成功' )
|
运行成功，我们就可以看到项目文件下面的 txt 文件了，上面保存了我们上面打印出来的内容。
书名：追风筝的人
作者：[美] 卡勒德·胡赛尼 / 李继宏 / 上海人民出版社 / 2006 - 5 / 29.00 元
评分： 8.8
简介：为你，千千万万遍
= = = = = = = = = = = = = = = = = =
# ...
# ...
书名：活着
作者：余华 / 南海出版公司 / 1998 - 5 / 12.00 元
评分： 9.1
简介：活着本身就是人生最大的意义
= = = = = = = = = = = = = = = = = =
|
但是，我们要的是 250 条数据，而不是一页的十几条数据，那么要怎么获得到所有的数据呢。我们可以检查页面的信息，可以看到页面一共 10 页，第一页的URL是https://book.douban.com/top250?start=0。而最后一页的 URL 是https://book.douban.com/top250?start=225
我们接着多看几页，第二页是https://book.douban.com/top250?start=25，第三页是https://book.douban.com/top250?start=50。
规律已经很清晰了，我们的页面的页数信息是最后的start=后面的数字。而且数字从0开始到225，每一页数字加 25.这就很简单了，我们以https://book.douban.com/top250?start=为基层URL，每一页在后面加页面的页数数字。就可以得到所有的页面 url 了。再以for循环迭代每一个 url，使用上面获取数据的方法，获得所有的数据信息。
获取所有页面URL的代码如下：
base_url = 'https://book.douban.com/top250?start='
urllist = []
# 从0到225，间隔25的数组
for page in range ( 0 , 250 , 25 ):
allurl = base_url + str (page)
urllist.append(allurl)
|
我们把他保存在 list 里面，好用循环迭代。
代码
那么，所有的功能都实现了。现在，我们只要将所有的代码组合起来，就可以实现我们需要的所有功能了。
上代码：
# -*- coding:utf-8 -*-
# author: yukun
import requests
from bs4 import BeautifulSoup
# 发出请求获得HTML源码的函数
def get_html(url):
# 伪装成浏览器访问
headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' }
resp = requests.get(url, headers = headers).text
return resp
# 解析页面，获得数据信息
def html_parse():
# 调用函数，for循环迭代出所有页面
for url in all_page():
# BeautifulSoup的解析
soup = BeautifulSoup(get_html(url), 'lxml' )
# 书名
alldiv = soup.find_all( 'div' , class_ = 'pl2' )
names = [a.find( 'a' )[ 'title' ] for a in alldiv]
# 作者
allp = soup.find_all( 'p' , class_ = 'pl' )
authors = [p.get_text() for p in allp]
# 评分
starspan = soup.find_all( 'span' , class_ = 'rating_nums' )
scores = [s.get_text() for s in starspan]
# 简介
sumspan = soup.find_all( 'span' , class_ = 'inq' )
sums = [i.get_text() for i in sumspan]
for name, author, score, sum in zip (names, authors, scores, sums):
name = '书名：' + str (name) + '\n'
author = '作者：' + str (author) + '\n'
score = '评分：' + str (score) + '\n'
sum = '简介：' + str ( sum ) + '\n'
data = name + author + score + sum
# 保存数据
f.writelines(data + '=======================' + '\n' )
# 获得所有页面的函数
def all_page():
base_url = 'https://book.douban.com/top250?start='
urllist = []
# 从0到225，间隔25的数组
for page in range ( 0 , 250 , 25 ):
allurl = base_url + str (page)
urllist.append(allurl)
return urllist
# 文件名
filename = '豆瓣图书Top250.txt'
# 保存文件操作
f = open (filename, 'w' , encoding = 'utf-8' )
# 调用函数
html_parse()
f.close()
print ( '保存成功。' )
|
我们只用了36行的代码（去掉空行和注释）就实现了抓取豆瓣图书的数据了。大家是不是觉得很简单了，不要兴奋，这只是一个小白最基础的练手项目，大家快去找更有挑战性的项目实现吧。大家加油。
谢谢阅读