最近在学习Python，相对java来说python简单易学、语法简单，工具丰富，开箱即用，适用面广做全栈开发那是极好的，对于小型应用的开发，虽然运行效率慢点，但开发效率极高。大大提高了咱们的生产力。为什么python能够在这几年火起来，自然有他的道理，当然也受益于这几天大数据和AI的火。
据说网络上80%的爬虫都是用python写的，不得不说python写爬虫真的是so easy。基本上一个不太复杂的网站可以通过python用100多行代码就能实现你所需要的爬取。
现在就以一个电子书的网站为例来实现python爬虫获取电子书资源。爬取整站的电子书资源，按目录保存到本地，并形成索引文件方便查找。
爬取的目标网站：苦瓜书盘
步骤：爬取->分析、解析->保存
对于一个不需要登录验证的资源分享类的网站，爬取最大的工作量应该是在对目标页面的分析、解析、识别，这里用的到是Python的BeautifulSoup库。
一、获取目录
二、获取书籍列表页
三、获取书籍详情页
四、分析书籍详情页的资源地址
五、下载并保存
一、获取目录
通过浏览器的调试工具可以看到目录在id=catagory的div标签下，下面还有ul和li标签，那我们可以迭代li可以获得目录及目录页的地址。
可以通过soup.find_all(
attrs
={
'id'
:
'category'
})[
0
].ul 获取 到ul标签，然后获取ul的li标签，进行迭代获取。
代码如下：
'''
获取目录
'''
def
getcategory():
req_result=requests.get(main_url,
headers
=headers)
if
req_result.status_code==
200
:
htmlstr=req_result.content.decode(
'utf-8'
)
soup = BeautifulSoup(htmlstr,
'lxml'
)
categorys=soup.find_all(
attrs
={
'id'
:
'category'
})[
0
].ul
for
li
in
categorys.find_all(
name
=
'li'
):
print
(
'开始抓取'
+li.a.attrs[
'href'
]+
"--"
+li.string)
getcategroydetail(main_url+li.a.attrs[
'href'
],li.string)
time.sleep(
1
)
二、获取书籍列表页
在书籍列表页，我们要获取两个信息，分别是书籍列表的信息及翻页下一页书籍列表的URL地址。
通过浏览器的调试工具分别对列表的信息及翻页下一页的html进行分析。
列表中的书籍详情页信息在class="channel-item"的div标签下，通过class="list-title"的h3标签循环迭代
下一页，我们可以直接通过next_pag=soup.find(name='a',text=re.compile('下一页'))来获取。
然后我们可以通过递归来不断的调用获取下一页书籍列表页的代码，知道没有下一页为止。就可以把怎个目录都可以爬取完。
代码如下：
'''
获取书籍列表
'''
def
getbookslist(bookurlstr,categroy_path):
book_result=requests.get(bookurlstr,
headers
=headers)
bookhtmlstr=book_result.content.decode(
'utf-8'
)
soup = BeautifulSoup(bookhtmlstr,
'lxml'
)
booklists=soup.select(
'.channel-item'
)
for
bookinfo_div
in
booklists:
booktitle_div=bookinfo_div.select(
'.list-title'
)[
0
]
bookurl=booktitle_div.a.attrs[
'href'
]
getbookdetail(bookurl,categroy_path)
next_pag=soup.find(
name
=
'a'
,
text
=re.compile(
'下一页'
))
if
next_pag
is not None
:
next_url=next_pag.attrs[
'href'
]
print
(
'爬取下一页：'
+next_url)
getbookslist(next_url,categroy_path)
三、获取书籍详情页
我们要在书籍详情页需要获得书籍详情信息包括书名、作者等信息
关于书名和作者可以分别通过提取class="news_title"的h1标签和id="news_details"的div下的ul下的li再通过正则表达式对作者信息进行提取。
booktitle=bookdetailsoup.select(
'.news_title'
)[
0
].text.strip()
bookauthor=bookdetailsoup.select(
'#news_details'
)[
0
].ul.li.find(
text
=re.compile(
'作者：(.*?)'
)).strip()
bookauthor=bookauthor.replace(
'作者：'
,
''
)
booktitleinfo=
"《"
+booktitle+
'》-'
+bookauthor
四、分析书籍详情页的资源地址
在书籍详情页，我们还要分析书籍详情页的资源地址
电子书的资源下载地址可以通过提取a标签的信息来获取。通过正则表达式分别匹配azw3、mobi、epub分别提取不同的电子书资源。
book_url_item=bookdetailsoup.find(
name
=
'a'
,
text
=re.compile(booktype,re.I))
代码如下：
'''
根据书籍资源类型下载资源
'''
def
getbookfortype(bookurl,categroy_path,bookdetailsoup,booktype):
booktitle=bookdetailsoup.select(
'.news_title'
)[
0
].text.strip()
bookauthor=bookdetailsoup.select(
'#news_details'
)[
0
].ul.li.find(
text
=re.compile(
'作者：(.*?)'
)).strip()
bookauthor=bookauthor.replace(
'作者：'
,
''
)
booktitleinfo=
"《"
+booktitle+
'》-'
+bookauthor
print
(
'书籍详情：---'
+booktitleinfo)
book_url_item=bookdetailsoup.find(
name
=
'a'
,
text
=re.compile(booktype,re.I))
if
book_url_item
is not None
:
downloadurl=book_url_item.attrs[
'href'
]
print
(
'下载地址：'
+downloadurl)
if
checkIfNoExistBookByUrl(downloadurl):
r = requests.get(downloadurl)
if
r.status_code==
200
:
savepath=createdir(categroy_path,booktitleinfo)
filename=booktitle+
"."
+booktype
savebook(r.content,savepath,filename)
p,f=os.path.split(categroy_path)
bookcategory=f
book=Book(bookcategory,booktitle,bookauthor,bookurl,downloadurl,savepath,
"苦瓜书盘"
,booktype)
print
(book.toString())
savebooktojson(book)
else
:
print
(
'下载失败：status_code='
+
str
(r.status_code))
else
:
print
(
'没有'
+booktype+
'格式的书'
)
五、下载并保存
有了资源的下载资源后下载就变得很简单了，主要用python的os库，对文件进行操作，包括建目录及保存资源文件。也可以通过连接数据库将爬取的数据保存到数据库。
定义书籍类Book用于组织和保存数据。
class
Book(
object
):
def
__init__
(
self
,bookcategory,bookname,bookauthor,bookurl,bookdownloadurl,booksavepath,booksource,booktype):
self
.bookcategory=bookcategory
self
.bookname=bookname
self
.bookauthor=bookauthor
self
.bookurl=bookurl
self
.bookdownloadurl=bookdownloadurl
self
.booksavepath=booksavepath
self
.booksource=booksource
self
.booktype=booktype
def
toString(
self
):
return
{
"bookcategory"
:
self
.bookcategory,
"bookname"
:
self
.bookname,
"bookauthor"
:
self
.bookauthor,
"bookurl"
:
self
.bookurl,
"bookdownloadurl"
:
self
.bookdownloadurl,
"booksavepath"
:
self
.booksavepath,
"booksource"
:
self
.booksource,
"booktype"
:
self
.booktype}
'''
将获取的信息保存至文件
'''
def
savebooktojson(book):
bookdata={
'booksource'
:book.booksource,
'booktype'
:book.booktype,
'bookcategory'
:book.bookcategory,
'bookname'
:book.bookname,
'bookauthor'
:book.bookauthor,
'bookurl'
:book.bookurl,
'bookdownloadurl'
:book.bookdownloadurl,
'booksavepath'
:book.booksavepath
}
bookjson=json.dumps(bookdata,
ensure_ascii
=
False
)
#ensure_ascii=False 就不会用 ASCII 编码，中文就可以正常显示了
print
(bookjson)
with
open
(
'data.json'
,
'a'
,
encoding
=
'gbk'
)
as
file:
file.write(bookjson+
'
\n
'
)
'''
根据目录创建文件夹
'''
def
createdir(savepath,dir):
path=os.path.join(savepath,dir)
isExists=os.path.exists(path)
if
isExists:
print
(
'已经存在'
+dir)
else
:
print
(
'创建目录'
+dir)
os.mkdir(path)
return
path
'''
下载书籍资源
'''
def
savebook(content,savepath,savefilename):
savefile=os.path.join(savepath,savefilename)
with
open
(savefile,
"wb"
)
as
code:
code.write(content)
---------------------------------------------------------
运行效果如下：
1、爬取过程
2、爬取记录的json信息
data.json的信息如下：
3、爬取获取的资源
按目录都已经整理好了，够你看的了。
Python爬虫获取电子书资源实战的全部代码，包括爬取->分析、解析->保存至本地及数据库。
下载
