爬虫实战：爬取当当网所有 Python 书籍
本文主要讲解如何利用urllib、re、BeautifulSoup 这几个库去实战，爬取当当网所有 Python 书籍。
1 确定爬取目标
任何网站皆可爬取，就看你要不要爬取而已。本次选取的爬取目标是当当网，爬取内容是 以 Python 为关键字搜索出来的页面中所有书籍的信息。具体如下图所示：
本次爬取结果有三项：
- 图书的封面图片
- 图书的书名
- 图书的链接页面
最后把这三项内容保存到 csv 文件中。
2 爬取过程
总所周知，每个站点的页面 DOM 树是不一样的。所以我们需要先对爬取页面进行分析，再确定自己要获取的内容，再定义程序爬取内容的规则。
2.1 确定 URL 地址
我们可以通过利用浏览器来确定URL 地址，为 urllib 发起请求提供入口地址。接下来，我们就一步步来确定请求地址。 搜索结果页面为 1 时，URL 地址如下：
搜索结果页面为 3 时，URL 地址如下：
搜索结果页面为 21 时，即最后一页，URL 地址如下：
从上面的图片中，我们发现 URL 地址的差异就在于 page_index 的值，所以 URL 地址最终为
http://search.dangdang.com/?key=python&act=input&show=big&page_index=
而 page_index 的值，我们可以通过循环依次在地址后面添加。因此， urllib 请求代码可以这样写：
def main():
# 爬取地址, 当当所有 Python 的书籍, 一共是 21 页
url = "http://search.dangdang.com/?key=python&act=input&show=big&page_index="
# 请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}
# 代理, 如果在需要代理就加上这行代码
# proxy_handler = urllib.request.ProxyHandler({
#
# })
# opener = urllib.request.build_opener(proxy_handler)
# urllib.request.install_opener(opener)
index = 1
while index <= 21:
# 发起请求
request = urllib.request.Request(url=url+str(index), headers=headers)
response = urllib.request.urlopen(request)
index = index + 1
# 解析爬取内容
parseContent(response)
time.sleep(1) # 休眠1秒
showResult()2.2 确定爬取节点
有了 URL 地址，就能使用 urllib 获取到页面的 html 内容。到了这步，我们就需要找到爬取的节点的规则，以便于 BeautifulSoup 地解析。为了搞定这个问题，就要祭出大招 —— Chrome 浏览器的开发者功能（按下 F12 键就能启动）。我们按下 F12 键盘，依次对每本书进行元素检查（在页面使用鼠标右键，点击“检查”即可），具体结果如下：
从上图可以得知解析规则：每本书的节点是一个 a 标签，a 标签具有 title，href，子标签 img 的 src 三个属性，这三者分别对应书名、书的链接页面、书的封图。看到这里也需你不会小激动，感叹这不就是我们要感兴趣的内容吗？得到解析规则，编写BeautifulSoup 解析代码就有了思路，具体代码如下：
def parseContent(response):
# 提取爬取内容中的 a 标签, 例如：
# <a< span="">
# class="pic" dd_name="单品图片"
# ddclick="act=normalResult_picture&pos=23648843_53_2_q"
# href="http://product.dangdang.com/23648843.html"
# name="itemlist-picture"
# target="_blank" title="
# 趣学Python――教孩子学编程 ">
#
# <img< span="">
# alt=" 趣学Python――教孩子学编程 "
# data-original="http://img3x3.ddimg.cn/20/34/23648843-1_b_0.jpg"
# src="images/model/guan/url_none.png"/>
#
soup = BeautifulSoup(response)
temps = soup.find_all('a', class_='pic')
global books
books = books + temps
print('get books size = ' + str(len(books)))运行结果如下：
这证明刚才制定规则是正确爬取我们所需的内容。
2.3 保存爬取信息
我写爬虫程序有个习惯，就是每次都会爬取内容持久化到文件中。这样方便以后查看使用。如果爬取数据量比较大，我们可以用其做数据分析。我这里为了方便，就将数据保存到 csv 文件中。用 Python 将数据写到文件中，我们经常中文乱码问题所烦恼。如果单纯使用 csv 库，可能摆脱不了这烦恼。所以我们将 csv 和 codecs 结合一起使用。在写数据到 csv 文件的时候，我们可以通过指定文件编码。这样中文乱码问题就迎刃而解。具体代码如下:
def showResult():
fileName = 'PythonBook.csv'
# 指定编码为 utf-8, 避免写 csv 文件出现中文乱码
with codecs.open(fileName, 'w','utf-8') as csvfile:
filednames = ['书名', '页面地址', '图片地址']
writer = csv.DictWriter(csvfile, fieldnames=filednames)
writer.writeheader()
for book in books:
print(book)
# print(book.attrs)
# 获取子节点
# (book.children)[0]
if len(list(book.children)[0].attrs) == 3:
img = list(book.children)[0].attrs['data-original']
else:
img = list(book.children)[0].attrs['src']
try:
writer.writerow({'书名':book.attrs['title'], '页面地址':book.attrs['href'], '图片地址': img})
except UnicodeEncodeError:
print("编码错误, 该数据无法写到文件中, 直接忽略该数据")
print('将数据写到 ' + fileName + '成功！')看到这里，你可能会问为什么不把编码指定为 gb2312 呢，这样用 ecxel 打开就不会乱码了？原因是当书名全部为英文单词时，使用 gb2312 编码，writer.writerow()会出现编码错误的问题。
如果你要用 excel 打开 PythonBook.csv文件, 你则需多执行下面几步：
- 1) 打开 Excel
- 2) 执行“数据”->“自文本”
- 3) 选择 CSV 文件，出现文本导入向导
- 4) 选择“分隔符号”，下一步
- 5) 勾选“逗号”，去掉“ Tab 键”，下一步，完成
- 6）在“导入数据”对话框里，直接点确定
3 爬取结果
最后，我们将上面代码整合起来即可。爬取结果截下图：
4 写在最后
这次实战算是结束了，但是我们不能简单地满足，看下程序是否有优化的地方。我把该程序不足的地方写出来。
- 该程序是单线程，没有使用多线程，执行效率不够高。
- 没有应用面向对象编程思想，程序的可扩展性不高。
- 没有使用随机 User-Agent 和 代理，容易被封 IP。
补充，如遇到保存文件乱码，可以尝试调整编码方式，即：
codecs.open(fileName, 'w','utf-8')调整为codecs.open(fileName, 'w')或者其它编码方式。