爬取当当网 Top 500 本五星好评书籍

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，很容易就能定位到书籍信息：

难点在于如何写一个正则。。

直接看代码：

import requests
import re
import json

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36'
}

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 request_html(url):
   try:
       response = requests.get(url, headers=headers)
       if response.status_code == 200:   #正常访问一般返回200
           return response.text
   except requests.RequestException:
       return None


def parse_html(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 {
           'id': item[0],
           'iamge': item[1],
           'title': item[2],
           'recommend': item[3],
           'author': item[4],
           'times': item[5],
           'price': item[6]
       }


def get_titles(page):
   url = 'http://bang.dangdang.com/books/fivestars/01.00.00.00.00.00-recent30-0-0-1-' + str(page)
   html = request_html(url)
   items = parse_html(html) # 解析过滤我们想要的信息
   
   for item in items:
       write_item_to_file(item)
       print(item['id'] + '.' + item['title'])


if __name__ == "__main__":
   for i in range(1,25):
       get_titles(i)

总结：

1. yield的用法

2. json.dumps()将Python数据结构转换成json

3. 写正则表达式

 

 

参考链接：https://zhuanlan.zhihu.com/p/55980398