关于中国图书信息网的采集
这个例子仅仅作为学习和测试使用,采集信息仅为该网站的第一页内容,采集过多怕会被封掉IP。
这个网站也是比较简单,普通的GET请求,方便大家对爬虫的入门学习。
话不多说直接上代码
import requests
from lxml import etree
while True:
print("小说类图书网址:")
print("http://www.bookschina.com/kinder/54000000/")
print("历史类图书网址:")
print("http://www.bookschina.com/kinder/37000000/")
print("军事类图书网址:")
print("http://www.bookschina.com/kinder/62110000/")
print("社会科学类图书网址:")
print("http://www.bookschina.com/kinder/48140000/")
url = input("请杨仙姑输入爬取网址:")
url = url.strip()
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"
}
res = requests.get(url,headers=headers)
res = res.content.decode("gbk")
html = etree.HTML(res)
book_name = html.xpath("//*[@id='container']/div/div[1]/div[1]/ul/li[*]/div[2]/h2/a/text()")
book_author = html.xpath("//*[@id='container']/div/div[1]/div[1]/ul/li[*]/div[2]/div[1]/a[1]/text()")
book_price = html.xpath("//*[@id='container']/div/div[1]/div[1]/ul/li[*]/div[2]/div[2]/span[1]/text()")
if url == "http://www.bookschina.com/kinder/54000000/":
book_type = "小说"
elif url=="http://www.bookschina.com/kinder/37000000/":
book_type = "历史"
elif url == "http://www.bookschina.com/kinder/62110000/":
book_type = "军事"
elif url == "http://www.bookschina.com/kinder/48140000/":
book_type = "社会科学"
data = ["书名","价格","作者","类型"]
with open("图书信息采集.txt", "w", encoding="utf8") as f:
for x in data:
f.write(x+" ")
f.write("\n")
for i in range(len(book_name)):
b_name = book_name[i]
b_price = book_price[i]
b_author = book_author[i]
b_type = book_type
print("杨仙姑告诉你一个消息《",b_name,"》采集成功了!")
with open("图书信息采集.txt", "a", encoding="utf8") as f:
f.write(b_name + " ")
f.write(b_author + " ")
f.write(b_type + " ")
f.write(b_price + " ")
f.write("\n")
print("数据采集完成!")
exits = input("请确认是否退出y/n:")
if exits == "y":
break
elif exits=="n":
continue
else:
print("请输入正确的指令 y或n,或者直接退出!")
结语
因为自己测试的oracle为XE版本,连接不稳定,所以就没有将数据存入oracle数据库,也没必要,只是存到了一个txt文档里面。有兴趣的可以试一试mysql 和 sqlserver 这两个中型数据库也是完全够用的。