文章目录
叠甲：仅供学习。。
XMU的小朋友实在不会了可以参考我的思路，但还是建议自己敲一遍哈。
学科实践二还是挺有意思的！
分析豆瓣阅读网站
打开浏览器开发者工具，可以看到如下图所示的内容
完整爬虫代码
我23年3月的时候，是把豆瓣全部爬取了（）一共5w6k条
python
import sys
import numpy as np
sys.path.append('/home/aistudio/external-libraries')
import json
import re
import requests
import pandas as pd
import datetime
from bs4 import BeautifulSoup
import base64
import os
import random
import time
#代理池
proxy_list = [
'127.0.0.1:15732', #自己的代理服务器地址
'192.168.56.1.15732'
]
proxy = random.choice(proxy_list)
proxies = {
'http': proxy,
'https': proxy,
}
user_agents = ['Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.57.2 (KHTML, like Gecko) Version/5.1.7 Safari/534.57.2',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER',
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0'
]
headers = {
'User-Agent': random.choice(user_agents),
}
url='https://read.douban.com/provider/all'
cookie={'cookie':'bid=kRRUP5Adrsc; _ga=GA1.3.1583431493.1679359048; _gid=GA1.3.240421151.1679359048; _ga=GA1.1.1583431493.1679359048; page_style="mobile"; dbcl2="215291240:+lGgZ069L0g"; _pk_ses.100001.a7dd=*; ck=AT7V; _ga_RXNMP372GL=GS1.1.1679406549.4.1.1679408190.60.0.0; _pk_id.100001.a7dd=0f38c905a23f4f70.1679359049.4.1679408190.1679402067.; _gat=1'}
try:
response = requests.get(url,headers=headers,cookies=cookie,proxies=proxies)
#将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
soup = BeautifulSoup(response.text,'lxml')
#返回所有的<div>所有标签
publishes = soup.find_all('div',{'class':'provider-group'})
pbs=[]
item_list=[]
#print(publishes)
#enumerate爬虫中的遍历
#遍历所有出版社
#pb为当前出版社
for index,pb in enumerate(publishes):
#if (index<=1):
if True:
pb_list={}
pb_list['item_name']=pb.find_next('div').text
p=pb.find_next('ul')
li_s=p.find_all('li')#li_s存储了当前出版社的所有数据。
#print(li_s)
for li in li_s:
item_li={}
#item_li为进入当前出版社内页书单的链接
item_li['href']='https://read.douban.com'+li.find_next('a').get('href')
url2=item_li['href']
response2=requests.get(url2,headers=headers,cookies=cookie,proxies=proxies)
soup2 = BeautifulSoup(response2.text,'lxml')
#遍历当前出版社的所有书单页面
while soup2.find('li',class_='next')!=None:
#booklist为当前页面的所有<div class=info>的书籍数据
booklist=soup2.find_all('div',{'class':'info'})
#print(booklist)
#print(publishes2)
#遍历当前页面的所有书籍
#book为当前的书籍数据
for book in booklist:
if(book.find('h4',class_='title')==None):
continue
title =book.find('h4',class_='title').text
item_li['name']=title
if(book.find('div',class_='sales-price')!=None):
price=book.find('div',class_='sales-price').text
item_li['price']=price
elif(book.find('span',class_='discount-price')!=None):
price=book.find('span',class_='discount-price').text
item_li['price']=price
elif(book.find('span',class_='price-tag')!=None):
price=book.find('span',class_='price-tag').text
item_li['price']=price
else:
continue
#输出查看
print(f"《{title}》:{price}")#1000行截断，保存成xlsx比较好
#item_list用来存储要求得的书名和价格的list型数据结构，一维
item_list.append([title,price])
t = random.random() #随机大于0 且小于1 之间的小数
time.sleep(t)
temp2=soup2.find('li',class_='next')
#若存在后页
if temp2.find('a')!=None:
#跳转到下一页
url3=url2+temp2.find('a').get('href')
response2=requests.get(url3,headers=headers,cookies=cookie,proxies=proxies)
soup2 = BeautifulSoup(response2.text,'lxml')
else:
break
df=pd.DataFrame(item_list)
df.columns=['书籍名称','价格']
print(df)
#保存到excel文件中
df.to_excel("爬虫数据.xlsx")
except Exception as e:
print(e)