爬虫(4)_代码分析

[后续会整理出PPT，将放置源码素材内以供下载~]

[任何爬虫均只为学习，不用于商业及其他目的，侵权删]

[如果你有其他测试领域的想法，也可以私信我发稿给我在公众号上展示哦]

一.演示

首先，我们先观看下效果，这个效果为后端执行爬取的动作；暂时不涉及入库及前端展示。[虚机centos网络不好，我切换到了window演示]

[请关注公众号观看]

我将爬取的内容存入了html文件，并保留了html文件的样式，样式地址来源于官网样式，没有继续爬取官网的样式

二.安装

在前两节中，我们安装了python+django。基于第三节网站分析，我们需要再安装两个库：

pip install requestspip install PyQuery

requests: 请求网页的时候需要使用到；

PyQuery：对网页解析的时候需要使用到，这个语法类似jQuery。

三.代码编写分析

1）首页的解析代码分析

$(".PagedList-skipToPage")

我们在首页分析的时候，有展示使用这个代码在console敲出的效果，可以返回去观看下上节《爬虫(3)_对网站的分析》

以上的这个代码，实际上是获取所有的页面数值，统计总共有多少页请求，即免费书籍的总数额，这项的作用在于发送请求的参数kw的值，参考如下：

def FreeComputerBook():
    url="http://www.ituring.com.cn/book"
    kw="tab=free&sort=vote"
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
    response=requests.get(url,params=kw,headers=headers)
    htmlResult=pq(response.text)
    
    pageCount=htmlResult(".PagedList-skipToPage").items()
    pageNum=0
    bookCount=0
    books=[]
    for page in pageCount:
        kw="tab=free&sort=vote&page="+str(pageNum)
        pageNum=pageNum+1
        response=requests.get(url,params=kw,headers=headers)
        htmlResult=pq(response.text)
        books.append(allBookDetails(htmlResult,bookCount,headers))
    print(books)

通过kw的值，进行遍历发送获取书籍的请求URL：（参数page的变化）

http://www.ituring.com.cn/book?tab=free&sort=vote&page=1

2）书籍总数确定后，要开始获取书籍进入详细介绍页的URL等信息，同样的请参考第三节之前的输入值：

$(".block-books li")

这个代码主要是获取所有书籍的列表信息，单个列表里包括了一本书的URL地址，作者，书名等信息。返回的值是一组数组，这块我们要对返回的数组进行遍历获取单本书的信息，如下：使用for循环获取单本书籍信息

def allBookDetails(htmlResult,bookCount,headers):
    books=[]
    bookItems=htmlResult(".block-books li").items()
    for bookitem in bookItems:
        book={}
        bookCount=bookCount+1
        bookUrl=bookitem.find(".book-img a").attr("href")
        bookName=bookitem.find(".book-img a").attr("title")
        bookAuthor=bookitem.find(".book-info a").text()
        book["url"]="http://www.ituring.com.cn"+bookUrl
        book["name"]=bookName
        book["author"]=bookAuthor
        book["catalogue"]=BookCatalogue(book["url"],headers,bookName)
        books.append(book)
        print("the "+str(bookCount)+"book is crawling over.")
    return books

我们将获取到的信息存入字典，再将字典最后存入数组，这块的参数主要是为了入库做准备的

3）获取书籍的目录信息(由网站观察发现目录进入内容页的URL会根据目录的id不同而看到目录对应的内容)所以这个URL的id是必须获取的，参考第三节输入的代码：

$(".table tr")

观察网站发现整个目录是展示在一个表格内的，所以我们需要获取表格的每行内的对应的URL信息，代码的编写如下：

def BookCatalogue(url,headers,bookName):
    bookCatalogue={}
    response=requests.get(url)
    htmlResult=pq(response.text)
    contents=""
    catalogues=htmlResult(".table tr").items()
    
    for catalogue in catalogues:
        catalogueUrl=catalogue.eq(0).find("a").attr("href")
        catalogueName=catalogue.eq(0).find("a").text()
        bookCatalogue["catalogueUrl"]="http://www.ituring.com.cn"+catalogueUrl
        bookCatalogue["catalogueName"]=catalogueName

同样的我也将获取的信息存入字典，以备入库使用~

4）目录获取之后，需要获取目录对应的内容数据，也请参考第三节内容~

$(".article-detail").html()

这个代码是获取内容页的内容，包含了样式信息，代码解析如下：

def BookContent(url,headers):
    response=requests.get(url) 
    htmlResult=pq(response.text)
    #contents=htmlResult(".article-detail").text().encode('UTF-8')
    content=htmlResult(".article-detail").html().encode('UTF-8')
    return content

四.END

以上就是整个爬取页面信息的全部过程，后续我们需要将这些信息全部存入数据库；同样的，你在观看演示的时候会发现性能不好，执行时间过长，这项后续也会讲解优化过程~

猜你喜欢