python晋江文学城数据分析（一）——爬虫（BeautifulSoup正则）

0引言

学爬虫，拿平常看小说的绿色网站下手。

爬取的数据主要分为两部分，收藏榜的小说信息和小说详情页的部分数据。

1url解析

1.1收藏榜url

        通过点击榜单上侧选项（其实也可以用拼音猜一猜），观察url变化，寻找规律。如fw指代范围，fbsj指代发表时间，ycx指代原创性，以此类推。可以通过改变其后的数字，来改变榜单范围。而最重要的翻页就通过改变page=后的页码。

        我没什么要先定的范围，就只更改page。

2.1小说详情页url

        随意点击任意小说详情页，可以看到主要区别就在于最后novelid的一串数字，看起来没有什么规律的数字。

        但是通过后面的页面分析，可以看到小说详情页的url其实就包含在html中，只要记录下之后再转接即可。

2页面元素解析

2.1收藏榜

         鼠标右键查看审查元素，观察。

        可以看到，整个收藏榜信息均在一个table之内，一行是一个tr，每格是一个td。

<tr>
<td align="left">
<a href="oneauthor.php?authorid=966799" target="_blank">木苏里</a>
</td>
<td align="left">
<a href="onebook.php?novelid=3419133" target="_blank" title="简介：并肩炸考场
标签：强强 无限流 相爱相杀 未来架空">全球高考</a>
</td>
<td align="center">
         原创-纯爱-近代现代-剧情                                </td>
<td align="center">
           轻松                                </td>
<td align="center">
        <font color="red">完结</font>                                </td>
<td align="right">589514</td>
<td align="right">35908325376</td>
<td align="center">2018-10-10 20:03:00</td>
</tr>

        以第一部作品为例，按顺序，可以爬取到作者（木苏里）、作品详情页链接（oneauthor.php?authorid=966799）、简介+标签（简介：并肩炸考场
标签：强强 无限流 相爱相杀 未来架空）、作品（全球高考）、类型（原创-纯爱-近代现代-剧情）、风格（轻松）、进度（完结）、字数（589514）、作品积分（35908325376）、发表时间（2018/10/10 20:03:00）。

        整个表格都比较有规律，先findall tr，再根据html写出对应的正则compile。

2.2小说详情页

        详情页主要准备爬取三个地方：文案、文章基本信息、章节表格结尾数据

        1）文案

        2）作品视角、是否出版、签约状态

         3）总书评数、当前被收藏数、营养液数

         同样是查看审查元素，写出正则表达式，但在这里遇到了不少问题：

        1）审查元素与源代码有差别

        部分数据，如非v章节章均点击数，审查元素有，但是源代码里是空白：

         这是个动态元素，后来找到了解决办法，但是要再次跳转页码过于麻烦，所以决定放弃这个数据。

        2）区域html差别大

        爬取的三个地方，不像收藏榜是在一个table里，很难findall先锁定一个大区域，尝试之后，东拼西凑，文案和书评收藏数用compile，文章基本信息里，先findall了ul。

        3）是否出版扒不下来

         原本想把title里的文字给扒下来，但是无论如何compile都是空白，最后草率地写了个if else简单判断，手动append上是否出版的信息。

3cookie

        晋江不登录的话，只让爬取前十页的数据，十页以后会有登录提示，爬虫也自动断了，上网找到了解决方法，登录晋江账号后，查看审查元素，并刷新页面，找到如下所示： 

         将cookie复制，加到爬虫的请求头中。

4代码

import requests
from bs4 import BeautifulSoup
import time
import re
import xlwt

t1 = time.time()

def main(savepath):
    count=0
    for page in range(1,501):
        url = get_url(page)
        headers = {
            'cookie': '你的cookie'}
        html = requests.get(url, headers=headers)
        html.encoding = html.apparent_encoding
        try:
            datalist = getData(html.content)
        except:
            print("爬取失败：", page)
            continue
        if len(datalist) == 0:
            break
        saveData(savepath,datalist,count)
        count+=len(datalist)
        print(page)
        print(count)
        #time.sleep(3)


def get_url(page):
    url = f"https://www.jjwxc.net/bookbase.php?fw0=0&fbsj0=0&ycx0=0&xx0=0&mainview0=0&sd0=0&lx0=0&fg0=0&bq=-1&sortType=4&isfinish=0&collectiontypes=ors&page={page}"
    return url

#提取收藏榜数据的正则表达式
findAuthor = re.compile(r'">(.*?)</a>',re.U)
findName = re.compile(r'">(.*?)</a>',re.U)
findBookLink = re.compile(r'<a href="(.*?)"')
findTitle = re.compile(r"<a.*?href=.*?<\/a>", re.I|re.S|re.M)
findType = re.compile(r'<td align="center">(.*?)</td>', re.S|re.M)
findStyle = re.compile(r'<td align="center">(.*?)</td>', re.S|re.M)
findPro = re.compile(r'<td align="center">(.*?)</td>', re.S|re.M)
findSize = re.compile(r'<td align="right">(\d+)</td>')
findPoint = re.compile(r'<td align="right">(\d+)</td>')
findTime = re.compile(r'<td align="center">(.*?)</td>')

def getData(document):
    datalist = []
    soup = BeautifulSoup(document, "html.parser")
    i = 0
    for item in soup.findAll('tr'):
        data = [] # 保存一本书的所有信息
        item = str(item)         
        Author = re.findall(findAuthor, item)# 提取作者名     
        Name = re.findall(findName, item)# 提取文名            
        BookLink = re.findall(findBookLink, item)# 提取文章链接           
        Title = re.findall(findTitle, item)# 提取标签            
        Type = re.findall(findType, item)# 提取类型            
        Style = re.findall(findStyle, item)# 提取风格 
        Pro = re.findall(findPro, item)# 提取进度
        Size = re.findall(findSize, item)# 提取字数
        Point = re.findall(findPoint, item)# 提取积分
        Time = re.findall(findTime, item)# 提取发表时间

        if i:
            data.append(Author[0])
            data.append(Name[1])
            BookLink[1]='http://www.jjwxc.net/' + BookLink[1]
            data.append(BookLink[1])
            Title[1]=re.findall(r'title="(.*?)"', Title[1], re.S|re.M)
            data.append(Title[1])
            data.append(Type[0].strip())
            data.append(Style[1].strip())
            if '</font>' in Pro[2]:
                Pro[2]=re.findall(r'>(.*?)</font>', Pro[2])
                data.append(Pro[2])
            else:
                data.append(Pro[2].strip())
            data.append(int(Size[0]))
            data.append(int(Point[1]))
            data.append(Time[0])

            #进入小说详情页，爬取相关数据
            try:
                detail(BookLink[1],data)
            except:
                print("爬取失败：", BookLink[1])
                continue

            datalist.append(data)
        i = 1
    return datalist

def getURL(url):
    headers = {
    'User-Agent': 'Mozilla/5.0 (MSIE 10.0; Windows NT 6.1; Trident/5.0)'
    }
    response = requests.get(url,headers = headers)
    response.encoding = 'gbk'
    time.sleep(0.2)
    if response.status_code == 200:
        return response.text
    return None

def detail(url,data):
    html = getURL(url)
    soup = BeautifulSoup(html, "html.parser")
    #爬取书评、收藏、营养液数
    comment = re.compile('<tr>.*?<td.*?>.*?<div align="center">.*?<span.*?>(.*?)</span>.*?<span.*?>(.*?)</span>.*?<span.*?>(.*?)</span>.*?<span.*?>(.*?)</span>.*?',re.S)
    items = re.findall(comment,html)
    for j in items:
        data.append(j[1])#书评数
        data.append(j[2])#当前被收藏数
        data.append(j[3])#营养液数

    #爬取文案
    copywriting = re.compile('<tr>.*?<div id="novelintro" itemprop="description">(.*?)</div>',re.S)
    items = re.findall(copywriting,html)
    #value = items[0].replace('<br>', '').replace(' ', '')
    pattern = re.compile(r'<[^>]+>',re.S)
    value = pattern.sub('', items[0])
    data.append(value)

    # 爬取作品视角、出版、签约状态
    result_list = soup.find_all('ul',attrs={'name':'printright'})
    for results in result_list:
        result=str(results)
        infor = re.compile('</span>(.*?)</li>',re.S|re.M)
        items = re.findall(infor,result)
        data.append(items[2].strip())#作品视角
        if 'img' in items[7]:#是否出版
            data.append("已出版")
        else:
            data.append("尚未出版")
        items[9]=re.findall(r'>(.*?)</font>', items[9])#是否签约
        data.append(items[9][0])

workbook = xlwt.Workbook(encoding='utf-8',style_compression=0)
worksheet = workbook.add_sheet('晋江', cell_overwrite_ok=True)
col = ("作者","作品","链接","标签","类型","风格","进度","字数","作品积分","发表时间","总书评数","当前被收藏数","营养液数","文案","视角","出版状态","签约状态")
for i in range(0,17):
    worksheet.write(0,i,col[i])

# 3.保存数据
# 保存到文件中
def saveData(savepath,datalist,count):
    for i in range(0,len(datalist)):
        data = datalist[i]
        for j in range(0,len(data)):
            worksheet.write(count+i+1,j,data[j])
    workbook.save(savepath)

if __name__ == "__main__":
	main("你的存储路径")

print("耗时：", time.time() - t1)

5结果

        500页每页100本小说，最后爬取出来46953条数据。

6总结 

        回忆性文章，其实过程中遇到过很多问题和困难，但暂时只想起这些了。

        待改善的地方：

        1）爬取太慢，爬取250页花费近10个小时，看网上有多进程、多线程可以加快爬虫时间，之后有时间当学习改进；

        2）正则表达式不够精确，部分详情页爬取出来不是目的数据，因为错误的数据量不多，后续数据处理采取了直接删除的办法，之后可以在爬虫阶段尝试改进；

        3）部分收藏榜页整页爬取失败，部分详情页爬取失败，失败原因待查。