如何使用python爬取當當網所有Python書籍

小編給大家分享一下如何使用python爬取當當網所有Python書籍，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

1 確定爬取目標

任何網站皆可爬取，就看你要不要爬取而已。本次選取的爬取目標是當當網，爬取內容是 以 Python 為關鍵字搜索出來的頁面中所有書籍的信息。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

• 圖書的鏈接頁面
  最后把這三項內容保存到 csv 文件中。

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，再定義程序爬取內容的規則。

2.1 確定 URL 地址

我們可以通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。
搜索結果頁面為 1 時，URL 地址如下：

搜索結果頁面為 3 時，URL 地址如下：

搜索結果頁面為 21 時，即最后一頁，URL 地址如下：

從上面的圖片中，我們發現 URL 地址的差異就在于 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，我們可以通過循環依次在地址后面添加。因此， urllib 請求代碼可以這樣寫：

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，以便于 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（在頁面使用鼠標右鍵，點擊“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、書的鏈接頁面、書的封圖。看到這里也需你不會小激動，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 解析代碼就有了思路，具體代碼如下：

運行結果如下：

這證明剛才制定規則是正確爬取我們所需的內容。

2.3 保存爬取信息

我寫爬蟲程序有個習慣，就是每次都會爬取內容持久化到文件中。這樣方便以后查看使用。如果爬取數據量比較大，我們可以用其做數據分析。我這里為了方便，就將數據保存到 csv 文件中。用 Python 將數據寫到文件中，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。在寫數據到 csv 文件的時候，我們可以通過指定文件編碼。這樣中文亂碼問題就迎刃而解。具體代碼如下:

看到這里，你可能會問為什么不把編碼指定為 gb2312 呢，這樣用 ecxel 打開就不會亂碼了？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 打開 PythonBook.csv文件, 你則需多執行下面幾步：

• 1) 打開 Excel

• 2) 執行“數據”->“自文本”

• 3) 選擇 CSV 文件，出現文本導入向導

• 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“導入數據”對話框里，直接點確定

3 爬取結果

最后，我們將上面代碼整合起來即可。這里就不把代碼貼出來了，具體閱讀原文即可查看源代碼。我就把爬取結果截下圖：

以上是“如何使用python爬取當當網所有Python書籍”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！