豆瓣爬取图书标签

这是我第一个全程自己动手做的项目，算得上是中小型的吧。网上看到好多关于python爬虫的项目，说是找工作必会，但我都感觉有些难。最后不管三七二十一，试试再说，做不出来也不会损失什么。于是选了一个豆瓣图书标签爬取的项目，github（用过好多次了，但不太了解，感觉就是一个让程序员分享成果的一个平台）上有源代码，但是没有一句注释。

终于，我花了两天的时间给整出来了，感觉非常欣慰，没想到会这么快。以前看视频学习都得两天才能大致了解一个项目，可能是现在自己的知识储备积累多了吧^_^

最重要的是，通过自己做项目，能够弥补好多以前自己不扎实的基本功，比如正则表达式，urllib, BeautifulSoup, MongoDB，以前都是跟着视频做项目使用过，也全面讲解过，但没有自己动手练习，非常的不熟练。还有对于如何存储到Excel, 如何使存储到excel中的标签按顺序排列，都是通过这个项目学到的。

不费话了，进入正题，这个项目要求是：1. 从豆瓣爬取相关图书标签； 2. 将不同种类的图书列为几个不同的列表，将各自种类的图书标签存进去； 3. 没有IP代理池，采用了延时的笨方法。

直接上代码：

import requests
import re
import xlwt
import time
import random
from requests.exceptions import RequestException

def do_spider(book_tag_lists):
    book_lists=[]
    for book_tag in book_tag_lists:
        book_list=book_spider(book_tag)
        book_lists.append(book_list)
    return book_lists


def book_spider(book_tag):
    page_num = 0
    book_list = []
    try_times = 0
    while (page_num<10):
        url = 'https://book.douban.com/tag/'+ book_tag + '?start='+ str(page_num * 20)
        time.sleep(random.uniform(0,3))  # 0 到 5 之间的随机浮点数
        # time.sleep(random.randint(0,5))  0 到 5 之间的随机整数，包括0,5
        try:
            headers = {
                'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
                'Accept - Language': 'zh - CN, zh;q = 0.9'
            }  # 加上headers，网站认为是浏览器访问，就能爬取
            response = requests.get(url, headers=headers)
            if response.text:                 # 这5行代码是为了爬取每种类型的所有得书使用的
                response_text = response.text
            else:
                try_times+=1
                continue
        except RequestException:
            return None
        
        # if try_times > 200:break   # 在这儿使用了while (page_num<10)来退出
        
        pattern = re.compile('<li.*?<a.*?title="(.*?)".*?<div.*?pub">(.*?)</div>.*?'
                             '"rating_nums">(.*?)</span>.*?</li>', re.S)
        items = re.findall(pattern, response_text)   # 从网页中提取相关的标签
        for item in items:
            other = item[1].strip()
            other_2 = other.split('/')  # 把字符串通过'/'符号拆分为一个列表
            title = item[0]
            author = other_2[0].strip()
            date = other_2[-2].strip()
            rating_nums = item[2]
            print(title,author,date,rating_nums)
            book_list.append([title, author, date, rating_nums])
            try_times = 0
        page_num += 1
        print('Downloading Information From Page_' + str(page_num))
    return book_list

# 将爬取得内容写到Excel中
def print_book_list_excel(book_lists, book_tag_lists):
    wb = xlwt.Workbook(encoding='utf-8')
    for i in range(len(book_tag_lists)):
        ws = wb.add_sheet(book_tag_lists[i])
        ws.write(0, 1, '标题')
        ws.write(0, 2, '作者')
        ws.write(0, 3, '出版日期')
        ws.write(0, 4, '评分')
        count = 0
        for bl in book_lists[i]:
            count+=1
            ws.write(count,0,count)
            for j in range(4):
                ws.write(count,j+1,bl[j])
    wb.save('excel.xls')

def main():
    book_tag_lists = ['小说','漫画','历史','经济学','互联网']
    book_lists = do_spider(book_tag_lists) # 已经调用过book_spider了
    print_book_list_excel(book_lists,book_tag_lists)

if __name__ == '__main__':
    main()

项目制作流程：1.先按照以前的经验，爬取了“小说”的10页图书标签，并写在文本文档中。（中间遇到许多挫折，尤其是正则表达式这块）

　　　　　　　2. 文本文档的内容不是按照“标题”、“作者”、“出版日期”、“评分”的顺序来排列的，而是乱序（因为for循环从字典中读数据本来就是乱序）。

　　　　　　　　于是看了下载的代码，采用了 book_list.append([title, author, date, rating_nums]) 来代替字典形式（因为for循环从列表中读数据是按顺序来的）。

　　　　　　　3. 将其写入Excel表格，先用了下载的代码方法，不管用，只有sheet表格，没有写入的内容。网上查了一些方法，结合下载的代码，就实现了。

　　　　　　　4. 最后改写代码为每个种类的图书建一个sheet表格。

豆瓣爬取图书标签

猜你喜欢