某网书籍信息爬虫

0x01前言

图书畅销榜的图书信息较多，此案例用于数据提取之xpath教学

0x02接口分析

不包含加密参数；
翻页之后也很容易确定url的构造

http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-{}

0x03请求测试

需要携带cookie,user-agent-refer字段，自己测试一下吧

0x04解析响应数据

从图中可以看出 两个div标签的class属性值是相同，如何准确的提取我们想要的数据，答案是指定下标，注意是从1开始

author_list= html_str.xpath(r'//div[@class="publisher_info"]/a[1]/@title')
 time_list = html_str.xpath(r'//div[@class="publisher_info"][2]/span/text()')

其他有冲突的地方，同样处理之。
测试结果:

0x05保存数据

我这里将其保存到csv当中
需要传入dict

data_dict = {
            '标题': data[0],
            '评论': data[1],
            '推荐': data[2],
            '作者': data[3],
            '日期': data[4],
            '出版社': data[5],
            '售价': data[6],
            '原价': data[7],
           '折扣': data[8],
           '详情页': data[8]
        }
csv_writer.writerow(data_dict)

0x06完整代码

f = open('data_2.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '标题',
    '评论',
    '推荐',
    '作者',
    '日期',
    '出版社',
    '售价',
    '原价',
    '折扣',
    '详情页'
])
csv_writer.writeheader()  # 写表头
class DDSpider(object):

    def __init__(self):
        self.start_url = "http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-1"
        self.headers = {
            "Cookie":"ddscreen=2; __permanent_id=20220625212706250242675814334910236; dest_area=country_id=9000&province_id=111&city_id =0&district_id=0&town_id=0; __visit_id=20220626175228017192325585967631123; __out_refer=; __rpm=...1656237227370|...1656237229891; __trace_id=20220626175350103290391377653452499",
            "Referer": "http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-3",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.5005.124 Safari/537.36 Edg/102.0.1245.44"
        }
        self.data_list = []
    def parse_start_url(self):
        response = requests.get(self.start_url,headers=self.headers).text
        print("请求成功")
        self.parse_response(response)
    def parse_response(self,response):
        """
        解析响应数据
        :param response:
        :return: list: 书名 评价人数 推荐率 作者  时间 出版社 现价 原价 折扣 详情页链接
        """

        html_str = etree.HTML(response)
        title_list = html_str.xpath(r'//div[@class="name"]/a/@title')
        star_commentNumberOfPerson_list = html_str.xpath(r'//div[@class="star"]/a/text()')
        star_recommendNumber_list = html_str.xpath(r'//span[@class="tuijian"]/text()')
        #有两个重复的title属性值 取a[1] 第一个a标签
        author_list= html_str.xpath(r'//div[@class="publisher_info"]/a[1]/@title')
        time_list = html_str.xpath(r'//div[@class="publisher_info"][2]/span/text()')
        publisher_list = html_str.xpath(r'//div[@class="publisher_info"][2]/a/text()')
        price_n_list = html_str.xpath(r'//div[@class="price"]/p[1]/span[@class="price_n"]/text()')
        price_r_list = html_str.xpath(r'//div[@class="price"]/p/span[@class="price_r"]/text()')
        price_s_list = html_str.xpath(r'//div[@class="price"]/p/span[@class="price_s"]/text()')
        detailedPage_list = html_str.xpath(r'//div[@class="pic"]/a/@href')
        print(title_list)
        print(star_commentNumberOfPerson_list)
        print(star_recommendNumber_list)
        print(author_list)
        print(time_list)
        print(publisher_list)
        print(price_n_list)
        print(price_r_list)
        print(price_s_list)
        print(detailedPage_list)
        self.data_list.append(title_list)
        self.data_list.append(star_commentNumberOfPerson_list)
        self.data_list.append(star_recommendNumber_list)
        self.data_list.append(author_list)
        self.data_list.append(time_list)
        self.data_list.append(publisher_list)
        self.data_list.append(price_n_list)
        self.data_list.append(price_r_list)
        self.data_list.append(price_s_list)
        self.data_list.append(detailedPage_list)
        # self.parse_data(self.data_list)
    def parse_data(self,data):
        """
        提取所需数据
        :param data: list
        :return:
        """

        for title,star_commentNumberOfPerson,star_recommendNumber,author,time,publisher,price_n,price_r,price_s,detailedPage in zip(data[0],data[1],data[2],data[3],data[4],data[5],data[6],data[7],data[8],data[9]):
            data = []
            data.append(title)
            data.append(star_commentNumberOfPerson)
            data.append(star_recommendNumber)
            data.append(author)
            data.append(time)
            data.append(publisher)
            data.append(price_n)
            data.append(price_r)
            data.append(price_s)
            data.append(detailedPage)
            self.save_data(data)
    def save_data(self,data):
        """
        将所需要的数据保存到本地,进行持久化存储
        :param data:
        :return: csv,xlsx
        """

        data_dict = {
            '标题': data[0],
            '评论': data[1],
            '推荐': data[2],
            '作者': data[3],
            '日期': data[4],
            '出版社': data[5],
            '售价': data[6],
            '原价': data[7],
           '折扣': data[8],
           '详情页': data[8]
        }
        csv_writer.writerow(data_dict)
    def start_thread(self):
        """
        线程的方式启动程序
        :return:
        """
        Thread(target=self.parse_start_url()).start()
if __name__ == '__main__':
    D = DDSpider()
    D.start_thread()

0x07代码完善

至少需要增加翻页功能，同时检测风控力度，调整代码，提高代码的健壮性。