Top500的书籍

注：此方法用到了当当网站进行学习，不将数据用于其他用途，仅用于学习

使用工具：python中的re、json、requests

准备工作：

url变化规律：

表示第一页：

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-1

表示第二页的url：

我们可以得出http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-   +num     其中num表示具体的页数

re正则表达式需要筛选的信息特征

确定筛选信息的主体部分

<li>
    <div class="list_num red">1.</div>   
    <div class="pic"><a href="http://product.dangdang.com/27911444.html" target="_blank"><img src="http://img3m4.ddimg.cn/77/13/27911444-1_l_11.jpg" alt="高尔基成长三部曲（童年、在人间、我的大学）"  title="高尔基成长三部曲（童年、在人间、我的大学）"/></a></div>    
    <div class="name"><a href="http://product.dangdang.com/27911444.html" target="_blank" title="高尔基成长三部曲（童年、在人间、我的大学）">高尔基成长三部曲（童年、在人间、我的大学）</a></div>    
    <div class="star"><span class="level"><span style="width: 94.2%;"></span></span><a href="http://product.dangdang.com/27911444.html?point=comment_point" target="_blank">151799条评论</a><span class="tuijian">100%推荐</span></div>    
    <div class="publisher_info">[苏]<a href="http://search.dangdang.com/?key=高尔基" title="[苏]高尔基 著，桑卓 译，酷威文化 出品" target="_blank">高尔基</a> 著，<a href="http://search.dangdang.com/?key=桑卓" title="[苏]高尔基 著，桑卓 译，酷威文化 出品" target="_blank">桑卓</a> 译，<a href="http://search.dangdang.com/?key=酷威文化" title="[苏]高尔基 著，桑卓 译，酷威文化 出品" target="_blank">酷威文化</a> 出品</div>    
    <div class="publisher_info"><span>2019-08-01</span>&nbsp;<a href="http://search.dangdang.com/?key=四川文艺出版社" target="_blank">四川文艺出版社</a></div>    

            <div class="biaosheng">五星评分：<span>109028次</span></div>
                      
    
    <div class="price">        
        <p><span class="price_n">&yen;54.00</span>
                        <span class="price_r">&yen;108.00</span>(<span class="price_s">5.0折</span>)
                    </p>
                    <p class="price_e">电子书：<span class="price_n">&yen;9.99</span></p>
                <div class="buy_button">
                          <a ddname="加入购物车" name="" href="javascript:AddToShoppingCart('27911444');" class="listbtn_buy">加入购物车</a>
                        
                        <a name="" href="http://product.dangdang.com/1901178320.html" class="listbtn_buydz" target="_blank">购买电子书</a>
                        <a ddname="加入收藏" id="addto_favorlist_27911444" name="" href="javascript:showMsgBox('addto_favorlist_27911444',encodeURIComponent('27911444&platform=3'), 'http://myhome.dangdang.com/addFavoritepop');" class="listbtn_collect">收藏</a>
     
        </div>

    </div>
  
    </li>  

查看hear部分，模拟浏览器：

其中，user-agent常用于模拟浏览器

代码：request：

def request_dandan(url):
    try:
        res=requests.get(url)
        if res.status_code  ==  200:
            return res.text
    except requests.RequestException:
        return None

代码：re部分：

def re_dandan(html):
    pattern=re.compile('<li>.*?list_num.*?(\d+).</div>.*?<img src="(.*?)".*?class="name".*?title="(.*?)">.*?class="star">.*?class="tuijian">(.*?)</span>.*?class="publisher_info">.*?target="_blank">(.*?)</a>.*?class="biaosheng">.*?<span>(.*?)</span></div>.*?<p><span\sclass="price_n">&yen;(.*?)</span>.*?</li>',re.S)
    items=re.findall(pattern,html)
    for item in items:
        yield{
            'range': item[0],
            'iamge':item[1],
            'title':item[2],
            'recommend':item[3],
            'author':item[4],
            'time':item[5],
            'price':item[6]
        }

代码：存储信息部分：

def write_item_to_file(item):
    with open('book.txt','a',encoding='UTF-8') as f:
        f.write(json.dumps(item, ensure_ascii=False)+'\n')
        f.close()

将这些代码拼装：

import json
import re
import requests

#requests部分
def request_dandan(url):
    try:
        res=requests.get(url)
        if res.status_code  ==  200:
            return res.text
    except requests.RequestException:
        return None



def re_dandan(html):
    pattern=re.compile('<li>.*?list_num.*?(\d+).</div>.*?<img src="(.*?)".*?class="name".*?title="(.*?)">.*?class="star">.*?class="tuijian">(.*?)</span>.*?class="publisher_info">.*?target="_blank">(.*?)</a>.*?class="biaosheng">.*?<span>(.*?)</span></div>.*?<p><span\sclass="price_n">&yen;(.*?)</span>.*?</li>',re.S)
    items=re.findall(pattern,html)
    for item in items:
        yield{
            'range': item[0],
            'iamge':item[1],
            'title':item[2],
            'recommend':item[3],
            'author':item[4],
            'time':item[5],
            'price':item[6]
        }
def write_item_to_file(item):
    with open('book.txt','a',encoding='UTF-8') as f:
        f.write(json.dumps(item, ensure_ascii=False)+'\n')
        f.close()

def main(i):
    url="http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-"+str(i)
    html=request_dandan(url)
    items=re_dandan(html)
    for item in items:
        write_item_to_file(item)

if __name__ == "__main__":
   for i in range(1,26):
       main(i)

最后，

正则表达式部分可能会出问题，正则表达式中pattern里的一个（）表示一个被选择的部分，且在书写时我们常能看到.*?  ，其中？表示非贪婪模式，本质上就是匹配的数据适可而止的意思。