python爬虫源代码_python爬虫06 | 你的第一个爬虫，爬取当当网 Top 500 本五星书籍...

来啦，老弟

我们已经知道怎么使用

python爬虫04 | 长江后浪推前浪，Requests库urllib库拍在沙滩上

进行各种请求骚操作

也知道了对服务器返回的数据如何使用

python爬虫05 | 年轻人，不会正则表达式你睡得着？有点出息没有

来过滤我们想要的内容

...

那么接下来

我们就使用 requests 和 re 来写一个爬虫

作为一个爱看书的你(说的跟真的似的)

怎么能发现好书呢？

所以我们

爬取当当网的前 500 本好五星评书籍

怎么样？

ok

接下来就是

学习 python 的正确姿势

请在电脑的陪同下

边看本文边练习

首先我们要对我们的目标网站进行分析

先摸清对方的底

我们才能战无不胜

打开这个书籍排行榜的地址

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

我们可以看到是这样的一个网页

每一页显示 20 本书

当我们点击下一页的时候

你可以发现地址变了

http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-2

也就是我们翻到第几页的时候

链接地址的最后一个参数会跟着变

那么我们等会在 python 中可以用一个变量

来实现获取不同页数的内容

接着

用我们之前说的python爬虫入门01：教你在 Chrome 浏览器轻松抓包 骚操作

来分析一下

我们要的内容是怎么请求的

以及

返回给我们的源代码是什么样的

可以看到

我们通过 GET 请求

我们的请求头

这是服务器返回来的数据

接着我们再来分析一下我们要抓取的关键信息

我们要的就是前 500 本书的

排名

书名

图片地址

作者

推荐指数

五星评分次数

价格

通过源码我们可以看到

这些信息被放在了

标签中

那么我们等会就可以使用

python爬虫05 | 年轻人，不会正则表达式你睡得着？有点出息没有

来进行过滤我们要的信息

一顿分析完了之后

接下来撸代码了

主要思路

使用 page 变量来实现翻页

我们使用 requests 请求当当网

然后将返回的 HTML 进行正则解析

由于我们暂时还没学到数据库

所以解析完之后就把内容存到文件中

def main(page):    url = 'http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-' + str(page)    html = request_dandan(url)    items = parse_result(html) # 解析过滤我们想要的信息        for item in items:        write_item_to_file(item)

请求当当网

当我们请求成功之后

拿到源代码

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

拿到源代码了

就要对其解析

使用正则表达式获取我们想要的关键信息

获取到了之后我们封装一下数据

def parse_result(html):    pattern = re.compile('.*?list_num.*?(d+).

.*?