爬蟲實戰一：爬取噹噹網所有 Python 書籍

我們已經學習 urllib、re、BeautifulSoup 這三個庫的用法。但只是停留在理論層面上，還需實踐來檢驗學習成果。因此，本文主要講解如何利用我們剛才的幾個庫去實戰。

1 確定爬取標的

任何網站皆可爬取，就看你要不要爬取而已。本次選取的爬取標的是噹噹網，爬取內容是 以 Python 為關鍵字搜尋出來的頁面中所有書籍的資訊。具體如下圖所示：

本次爬取結果有三項：

• 圖書的封面圖片

• 圖書的書名

• 圖書的連結頁面

最後把這三項內容儲存到 csv 檔案中。

2 爬取過程

總所周知，每個站點的頁面 DOM 樹是不一樣的。所以我們需要先對爬取頁面進行分析，再確定自己要獲取的內容，再定義程式爬取內容的規則。

2.1 確定 URL 地址

我們可以透過利用瀏覽器來確定URL 地址，為 urllib 發起請求提供入口地址。接下來，我們就一步步來確定請求地址。

搜尋結果頁面為 1 時，URL 地址如下：

搜尋結果頁面為 3 時，URL 地址如下：

索結果頁面為 21 時，即最後一頁，URL 地址如下：

從上面的圖片中，我們發現 URL 地址的差異就在於 page_index 的值，所以 URL 地址最終為 http://search.dangdang.com/?key=python&act;=input&show;=big&page;_index=。而 page_index  的值，我們可以透過迴圈依次在地址後面新增。因此， urllib 請求程式碼可以這樣寫：

2.2 確定爬取節點

有了 URL 地址，就能使用 urllib 獲取到頁面的 html 內容。到了這步，我們就需要找到爬取的節點的規則，以便於 BeautifulSoup 地解析。為了搞定這個問題，就要祭出大招 —— Chrome 瀏覽器的開發者功能（按下 F12 鍵就能啟動）。我們按下 F12 鍵盤，依次對每本書進行元素檢查（在頁面使用滑鼠右鍵，點選“檢查”即可），具體結果如下：

從上圖可以得知解析規則：每本書的節點是一個 a 標簽，a 標簽具有 title，href，子標簽 img 的 src 三個屬性，這三者分別對應書名、書的連結頁面、書的封圖。看到這裡也需你不會小激動，感嘆這不就是我們要感興趣的內容嗎？得到解析規則，編寫BeautifulSoup 解析程式碼就有了思路，具體程式碼如下：

執行結果如下：

這證明剛才制定規則是正確爬取我們所需的內容。

2.3 儲存爬取資訊

我寫爬蟲程式有個習慣，就是每次都會爬取內容持久化到檔案中。這樣方便以後檢視使用。如果爬取資料量比較大，我們可以用其做資料分析。我這裡為了方便，就將資料儲存到 csv 檔案中。用 Python 將資料寫到檔案中，我們經常中文亂碼問題所煩惱。如果單純使用 csv 庫，可能擺脫不了這煩惱。所以我們將 csv 和 codecs 結合一起使用。在寫資料到 csv 檔案的時候，我們可以透過指定檔案編碼。這樣中文亂碼問題就迎刃而解。具體程式碼如下:

看到這裡，你可能會問為什麼不把編碼指定為 gb2312 呢，這樣用 ecxel 開啟就不會亂碼了？原因是當書名全部為英文單詞時，使用 gb2312 編碼，writer.writerow()會出現編碼錯誤的問題。

如果你要用 excel 開啟 PythonBook.csv檔案, 你則需多執行下麵幾步：

1. 開啟 Excel

2. 執行“資料”->“自文字”

3. 選擇 CSV 檔案，出現文字匯入嚮導

4. 選擇“分隔符號”，下一步

5. 勾選“逗號”，去掉“ Tab 鍵”，下一步，完成

6. 在“匯入資料”對話方塊裡，直接點確定

3 爬取結果

最後，我們將上面程式碼整合起來即可。這裡就不把程式碼貼出來了，具體閱讀原文即可檢視原始碼。我就把爬取結果截下圖：

4 寫在最後

這次實戰算是結束了，但是我們不能簡單地滿足，看下程式是否有最佳化的地方。我把該程式不足的地方寫出來。

• 該程式是單執行緒，沒有使用多執行緒，執行效率不夠高。

• 沒有應用面向物件程式設計思想，程式的可擴充套件性不高。

• 沒有使用隨機 User-Agent 和 代理，容易被封 IP。

作者：猴哥Yuri
來源：http://www.jianshu.com/p/dd17437053e5

---

————廣告時間————

馬哥教育2018年Python自動化運維開發實戰面授班2018年3月5號開班，馬哥聯合BAT、豆瓣等一線網際網路Python開發達人，根據目前企業需求的Python開發人才進行了深度定製，加入了大量一線網際網路公司：大眾點評、餓了麼、騰訊等生產環境真是專案，課程由淺入深，從Python基礎到Python高階，讓你融匯貫通Python基礎理論，手把手教學讓你具備Python自動化開發需要的前端介面開發、Web框架、大監控系統、CMDB系統、認證堡壘機、自動化流程平臺六大實戰能力，讓你從0開始蛻變成Hold住年薪20萬的Python自動化開發人才。

掃描二維碼領取學習資料

更多Python好文請點選【閱讀原文】哦

↓↓↓