網絡爬蟲: 從allitebooks.com抓取書籍信息並從amazon.com抓取價格(2): 抓取allitebooks.com書籍信息及ISBN碼

這一篇首先從allitebooks.com里抓取書籍列表的書籍信息和每本書對應的ISBN碼。

一、分析需求和網站結構

allitebooks.com這個網站的結構很簡單，分頁＋書籍列表＋書籍詳情頁。

要想得到書籍的詳細信息和ISBN碼，我們需要遍歷所有的頁碼，進入到書籍列表，然后從書籍列表進入到每本書的詳情頁里，這樣就能夠抓取詳情信息和ISBN碼了。

二、從分頁里遍歷每一頁書籍列表

通過查看分頁功能的HTML代碼，通過class＝"current"可以定位當前頁碼所在span標簽，此span標簽的下一個兄弟a標簽就是下一頁鏈接所在的標簽，

而通過對比最后一頁的span可以發現，在最后一頁中，通過class="current"找到的span標簽卻沒有下一個兄弟a標簽。所以我們可以通過這一點判斷出是否已經到最后一頁了。代碼如下：

# Get the next page url from the current page url
def get_next_page_url(url):
    page = urlopen(url)
    soup_page = BeautifulSoup(page, 'lxml')
    page.close()
    # Get current page and next page tag
    current_page_tag = soup_page.find(class_="current")
    next_page_tag = current_page_tag.find_next_sibling()
    # Check if the current page is the last one
    if next_page_tag is None:
        next_page_url = None
    else:
        next_page_url = next_page_tag['href']
    return next_page_url

 

三、從書籍列表里找到詳情頁的鏈接

在書籍列表點擊書名或者封面圖都可以進入詳情，則書名和封面圖任選一個，這里選擇書名。

 

我們可以通過查找class="entry-title"定位到書名所在的h2標簽，然后通過此標簽的a屬性即可獲得鏈接所在的a標簽，再通過a標簽的string屬性可得到鏈接。

代碼如下：

# Get the book detail urls by page url
def get_book_detail_urls(url):
    page = urlopen(url)
    soup = BeautifulSoup(page, 'lxml')
    page.close()
    urls = []
    book_header_tags = soup.find_all(class_="entry-title")
    for book_header_tag in book_header_tags:
        urls.append(book_header_tag.a['href'])
    return urls

 

四、從書籍詳情頁里抓取標題和ISBN碼

 

 

通過查看書籍詳情頁的HTML代碼，我們可以通過查找class＝"single-title"定位到標題所在的h1標簽獲得標題，然后通過查找text="Isbn:"定位到"Isbn:"的所在的dt標簽，此標簽的下一個兄弟節點就是書籍ISBN碼所在的標簽，通過此標簽的string屬性可獲得ISBN碼內容。

代碼如下：

# Get the book detail info by book detail url
def get_book_detail_info(url):
    page = urlopen(url)
    book_detail_soup = BeautifulSoup(page, 'lxml')
    page.close()
    title_tag = book_detail_soup.find(class_="single-title")
    title = title_tag.string
    isbn_key_tag = book_detail_soup.find(text="Isbn:").parent
    isbn_tag = isbn_key_tag.find_next_sibling()
    isbn = isbn_tag.string.strip() # Remove the whitespace with the strip method
    return { 'title': title, 'isbn': isbn }

 

五、將三部分代碼整合起來

def run():
    url = "http://www.allitebooks.com/programming/net/page/1/"
    book_info_list = []
    def scapping(page_url):
        book_detail_urls = get_book_detail_urls(page_url)
        for book_detail_url in book_detail_urls:
            # print(book_detail_url)
            book_info = get_book_detail_info(book_detail_url)
            print(book_info)
            book_info_list.append(book_info)
        next_page_url = get_next_page_url(page_url)
        if next_page_url is not None:
            scapping(next_page_url)
        else:
            return

    scapping(url)

 

運行結果

六、將結果寫入文件，以供下一步處理使用

def save_to_csv(list):
    with open('books.csv', 'w', newline='') as fp:
        a = csv.writer(fp, delimiter=',')
        a.writerow(['title','isbn'])
        a.writerows(list)

 

未完待續... 

完整代碼請移步github： https://github.com/backslash112/book_scraper_python

Beautiful Soup基礎知識： 網絡爬蟲: 從allitebooks.com抓取書籍信息並從amazon.com抓取價格(1): 基礎知識Beautiful Soup

我們處於大數據時代，對數據處理感興趣的朋友歡迎查看另一個系列隨筆： 利用Python進行數據分析 基礎系列隨筆匯總

 

接下來一篇隨筆是 根據獲取到的ISBN碼去amazon.com網站獲取每本書對應的價格，並通過數據分析的知識對獲取的數據進行處理，最后輸出到csv文件。有興趣的朋友歡迎關注本博客，也歡迎大家留言討論。