1. 程式人生 > >利用scrapy框架爬取百度閱讀書籍資訊

利用scrapy框架爬取百度閱讀書籍資訊

專案需求:爬取百度閱讀的榜單圖書的資訊,如:書名、評分、作者、出版方、標籤、價格,生成一個csv檔案。

專案的大致流程:建立spider工程專案,建立spider爬蟲,定義相關欄位,分析頁面資訊......

由於scpapy框架,之間存在相互聯絡,針對此專案不同的檔案需要進行相關的專案,一下通過程式碼簡單介紹。

先看spider程式碼:

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractor import LinkExtractor
from ..items import BookItem

class Top200Spider(scrapy.Spider):
    name = 'top200'
    allowed_domains = ['yuedu.baidu.com']
    start_urls = ['https://yuedu.baidu.com/rank/hotsale?pn=0']

    #解析書籍資料列表
    def parse(self, response):
       #提取每一本書籍頁面的連結
        le = LinkExtractor(restrict_css='a.al.title-link')
        for link in le.extract_links(response):
            yield scrapy.Request(link.url,callback=self.parse_book)

        #提取下一頁列表的連結
        url = response.css('div.pager a.next::attr(href)').extract_first()
        #判斷是否存在下一頁
        if url:
            url = response.urljoin(url)
            yield scrapy.Request(url,callback=self.parse)

    def parse_book(self,response):
        sel = response.css('div.content-block')

        item = BookItem()
        #書名
        item['name'] = sel.css('h1.book-title::attr(title)').extract_first()
        #評分
        item['rating'] = sel.css('div.doc-info-score span.doc-info-score-value::text').extract_first()
        #作者
        item['authors'] = sel.css('ul.doc-info-org li.doc-info-author a::text').extract_first()
        #版權方
        item['publisher'] = sel.css('ul li').xpath('.//span[contains(string(.),"版權方")]/../a/text()').extract_first()
        #標籤
        item['tags'] = sel.css('div.content a::attr(title)').extract()
        #價格
        item['price'] = sel.css('div.price-info span.numeric::text').extract()

        yield item

注意點:Item類需要匯入,在Items檔案中進行欄位的定義,見程式碼:

import scrapy

class BookItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    rating = scrapy.Field()
    authors = scrapy.Field()
    publisher = scrapy.Field()
    tags  = scrapy.Field()
    price = scrapy.Field()

注意:在爬取網站前,先到shell中進行測試,看通過選擇器能不能獲取欄位資訊。還需要在setting檔案中進行相關的設定,因為好多網站設有反爬蟲技術,所以我們可以先訪問robots.txt 檔案,檢視允許爬取的內容。在setting中設定,見程式碼:

USER_AGENT = 'Baiduspider'   # 更改robots檔案能夠訪問的請求頭

最後,執行爬蟲:生成books.csv檔案。

scrapy crawl top200 -o books.csv