python爬虫和数据分析的书籍_豆瓣书籍数据爬取与分析

前言

17年底，买了清华大学出版社出版的《Hadoop权威指南》(第四版)学习，没想到这本书质量之差，超越我的想象，然后上网一看，也是骂声一片。从那个时候其就对出版社综合实力很感兴趣，想通过具体数据分析各个出版社的出版质量，另外借此也可以熟悉大数据生态和相关操作。

豆瓣上的书籍数据刚好可以满足需求，所以有了思路：

1. 用python编写爬虫，爬取豆瓣上的书籍信息，并持久化到mysql数据库；

2. 使用sqoop将mysql里的数据导入hive；

3. 通过hive进行离线分析。

一、爬虫部分

1. 爬虫思路及架构

通过观察豆瓣网书籍的具体页面，我们可以发现，具体书籍网址的组成形式为：

其中bookid为具体的数字。第一种思路是设定一个比较大的数字，然后从1到这个数字的范围之内去遍历所有数字对应的网址，但是我们可以发现，这些书的id往往非常大，基本都是百万级别的数字，一个个去撞库非常不现实。

其实每本书都有很多标签，每个标签都汇集了同一类的所有书，要是可以获取到所有标签，然后根据这些标签一个个去遍历就可以获得豆瓣上所有的书了，当然不同标签之间肯定有重复的书，所以还要考虑去重的问题。

所以，这个爬虫的思路主要是：

2) 通过上一步获取的标签，组成标签页的网址，进入标签页获得本页的所有书籍链接，通过书籍链接获取需要信息；

3) 对书籍信息进行标准化，持久化处理；

4) 爬完本标签，切到下一个标签，继续爬，重复2,3步；

5) 应对网站反爬虫机制；

6) 错误日志和程序崩溃处理。

编程语言选择python，持久化工具选择mysql数据库。

2. 数据库设计

1) 标签信息

表名为tag_info，用来保存从豆瓣爬下来的标签名字，另外，增加多两个字段用来表示进度，一个是当前页数，另一个是完成状态。

2) 书籍信息：

表名为book_info，保存了每本书的基本信息，包括书名、作者、出版社、评分、评分人数等。为了去重，唯一id采用了豆瓣网中书籍的id。

3. 爬虫框架及流程分析

在这个爬虫中使用的模块有 requests，BeautifulSoup，re，logging和MySQLdb，主要流程如下图所示。

1) 用requests模块向豆瓣网发起GET请求，获得网页返回的信息；

2) 把上一步返回的信息用BeautifulSoup模块进行分析，如果还需要进一步匹配过滤，传给re模块进一步加工，否则直接传给MySQLdb模块；

3) re模块对BeautifulSoup传过来的信息进行匹配处理，最后传给MySQLdb；

4) 用MySQLdb连接mysql数据库，将获得的书籍信息持久化到mysql中；

5) 用logging模块负责系统日志的输出和维护。

4. 应对豆瓣的反爬虫

实际上这次爬取数据，比计划多花了一倍时间，大部分时间在于应对豆瓣的反爬虫机制。

刚开始requests去请求数据的时候，准备了若干个header，然后每次请求都换一个。没过多久就开始返回403了，于是减低了爬取的频率，还是继续403。

查了半天资料，首次请求保存cookie，以后每次都修改cookiebid去请求，过一段时间还是被豆瓣检测出来了，有的页面直接返回空的或者定向到别的页面。

最后想到了代理，写了一个动态获取免费代理并验证的函数，不过免费的ip代理不仅慢而且不稳定，又不想买收费的代理服务。

后面查到了ADSL拨号服务器代理的相关文章，发现自己正是用ADSL上网，于是折腾了一番，写了一个断开路由器连接的函数，每当爬虫被豆瓣封杀的时候，就断开路由器连接重新获取ip，由此解决了爬虫正常运行的问题。当然，我这次爬取的数据量比较少，所以用这种方式还是能解决问题，如果是需要在短时间获取大量数据的，还是需要用代理的方式。

花了几天时间，最后终于完成了所有标签的爬取工作，爬到的数据去重后有6万条左右。因为各个标签之间肯定有重叠的部分，所以符合原来的预期。

二、使用sqoop将数据从mysql导入hive

1. 导入hive：

sqoop import --connect jdbc:mysql://localhost:3306/test --username root -P --split-by id --table book_info --target-dir /tmp/douban/book_info --hive-import --create-hive-table --hive-table douban.book_info --direct

2. 查看hive管理表结构

desc formatted book_info;

col_name data_type comment#col_name data_type comment

id int

book_name string

author string

publisher string

translator string

publish_date string

page_num int

isbn string

score double

rating_num int

…(后面省略)

三、通过hive cli分析数据

1. 计算所有书籍的平均分

HiveQL语句：

SELECT AVG(score) AS avg_score FROM book_info WHERE score > 0 AND rating_num > 100;

为了准确，过滤掉没有评分和评分人数不足的，结果：

OK

avg_score8.057803307115979

平均分在8分左右，估计一般用户都是看完一本觉得不错的书才上豆瓣进行评分。

2. 计算清华大学出版社书籍的平均分

HiveQL语句：

SELECT AVG(score) AS avg_score FROM book_info WHERE publisher ='清华大学出版社' AND score > 0 AND rating_num > 100;

结果：

OK

avg_score8.167039106145252

结果显示清华大学出版社出版的平均分比总体的稍高，但是也没有很突出。

3. 计算平均分排名前十的出版社

HiveQL语句：

SELECT publisher, AVG(score) as avg_score, COUNT(id) AS book_num

FROM book_info

WHERE score> 0 AND rating_num > 100GROUP BY publisher

HAVING COUNT(id)> 10ORDER BY avg_score

DESC

LIMIT10;

结果：

publisher avg_score book_num

茜新社9.157894736842104 19山西古籍出版社9.027272727272727 11太田出版8.933333333333334 15浙江人民美术出版社8.930769230769231 13東立出版社有限公司8.910526315789474 19少年儿童出版社8.898484848484848 66上海辞书出版社8.887500000000001 16上海科学技术出版社8.86875 16白泉社8.857692307692309 26岳麓书社8.845833333333331 24

可以看出排名前十的出版社平均分都在8.8以上，最高的平均分达9.16分。

4. 计算清华大学出版社的排名

HiveQL语句：

FROM (

SELECT publisher, count(id) as book_num, AVG(score) as avg_score, row_number() over(ORDER BY avg_score DESC) as rank_num

FROM book_info

WHERE score> 0 AND rating_num > 100GROUP BY publisher

HAVING count(id)> 10LIMIT200) t1

SELECT t1.*WHERE t1.publisher= '清华大学出版社';

结果：

t1.publisher t1.book_num t1.avg_score t1.rank_num

清华大学出版社179 8.167039106145252 146

数据显示清华大学出版社的排名100名之内都排不进，而且如果把每个出版社出版书籍数量放宽一点来处理的话，结果会更难看一点。

四、小结

实际上只要找到合适的数据源，就能够通过这些数据挖掘出自己需要的东西。从数据采集到最后产出分析结果，整个过程相对来说还比较粗糙，sqoop和hive部分由于数据量不大，只是作为学习目的来检索，暂时未涉及到分区和分桶的操作，因为数据量小，查询也没作并行优化，等后面有时间再进行深入。

(完)