尝试爬取当当网商品搜索结果页面

刚刚学完爬虫的基本知识,也基本会用request、bs4和re这三个库了,于是尝试爬取当当网商品搜索页面,这是本人第一次爬虫。
这次的爬取目标是获取搜索页面的所有商品价格和名称,所以我们对爬下来的HTML文本做了些许分析。

搜索关键词假设是“六年级”,那么与第一个商品有关的HTML便如下(用了YAML代码块来表示,请见谅)。可以发现,与第一个商品有关的名称位于名称为p、属性为name的标签下,而价格则位于名称为p、属性为price的标签下。值得注意的是,这两个标签之间还隔着一个名称为p、属性为detail的标签,而且这三个标签一并构成了平行标签
为了解析html更方便,在找到名称为p、属性为name的标签之后,直接用next_sibling访问下一个平行标签。用正则表达式匹配商品价格和名称之后,存入键值对之中,并打印到txt文件里。

<p class="name" name="title">
            <a dd_name="单品标题" ddclick="act=normalResult_title&amp;pos=20916683_0_1_q" href="http://product.dangdang.com/20916683.html" name="itemlist-title" target="_blank" title=" 六年级英语阅读理解与完型填空加油站 ">
             <font class="skcolor_ljg">
              六年级
             </font>
             英语阅读理解与完型填空加油站
            </a>
           </p>
           <p class="detail">
           </p>
           <p class="price">
            <span class="search_now_price">
             ¥19.80
            </span>
            <a class="search_discount" style="text-decoration:none;">
             定价:
            </a>
            <span class="search_pre_price">
             ¥22.00
            </span>
            <span class="search_discount">
             (9折)
            </span>
       </p>

全代码如下(这里只能爬取搜索结果第一页):

import requests
import re
from bs4 import BeautifulSoup

def getHTMLtext(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "ERROR"

def parseHTML(html):
    dict = {}
    pat_title = re.compile(r'title=\".*?\"')
    pat_price = re.compile(r'¥\d*[.]\d{2}')
    soup = BeautifulSoup(html, 'html.parser')
    for tag in soup.find_all('p', 'name'):
        try:
            t = pat_title.search(str(tag)).group(0).split("\"")[1]
            p = pat_price.search(str(tag.next_sibling.next_sibling)).group(0)
            dict[t] = p
        except:
            continue
    return dict

def main():
    key = "C++"
    url = "http://search.dangdang.com/?key=" + key
    html = getHTMLtext(url)
    dict = parseHTML(html)
    path = "D:\\当当网爬取结果(" + key + ").txt"
    tplt = "{:4}\t{:8}\t{:16}"
    with open(path, "w", encoding="utf-8") as f:
        count = 0
        f.write(tplt.format("序号","价格","商品名称")+"\n")
        for d in dict.items():
            count += 1
            f.write(tplt.format(count, d[1], d[0])+"\n")

main()

输出结果如下:
关键词:六年级
关键词:天气
关键词:C++
第一次做爬虫,而且也是刚刚上手python,可能还有许多待优化的地方。
完(๑′ᴗ‵๑)

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值