库需求
- requests(对网站发起请求)
- beautifulsoup(提取html信息)
- re(正则表达式)
- fake_useragent(生成假的请求头)
- xlwt(处理excel文档)
准备
打开豆瓣Top250书籍网站https://book.douban.com/top250,观察其html特点,找到储存书本信息的位置。
代码
import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
import re
import xlwt
ua=UserAgent()#生成假的请求头
def getBooks(page):
if page==0:
url='https://book.douban.com/top250'
else:
url='https://book.douban.com/top250'+'?start='+str(page*25) #根据top250的网站url特点进行循环构造
try:
user_agent = ua.random
res = requests.get(url,headers={
'User-Agent': user_agent})#利用假的请求头进行请求,以提高爬虫成功率
html=res.text
res.raise_for_status() # 如果返回的状态码不是200, 则抛出异常;
res.encoding = res.apparent_encoding # 判断网页的编码格式, 便于respons.text知道如何解码;
except Exception as e:
print("爬取错误")
html=res.text
return html