Python如何一键爬取你所关心的书籍信息-创新互联
本篇文章给大家分享的是有关Python如何一键爬取你所关心的书籍信息，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
前言平时看到的豆瓣爬虫基本都是爬豆瓣top100电影、某电影热评、top100图书、热门图书等，最近遇到的一个需求是根据一堆书名的列表（或者书名Excel文件）爬取对应的书目信息，也就是豆瓣图书页面上的出版社、出版时间、ISBN、定价、评分、评分人数等信息，再整合到pandas里进行处理，最后可以进行数据分析。
需求来源最近整理书目的时候需要根据几百本书的书名整理出对应的出版社、出版时间、ISBN、评分等属性，书单Excel如下图1中的表。批量处理肯定是用爬虫啦，查了一下没有发现相似的文章，并且自己操作时也遇到了比较有趣的问题，于是把自己的操作思路和过程整理成本文。
图1，书单数据部分截图
爬取过程
页面分析
首先分析豆瓣图书首页：book.douban.com，直接搜索书名时可以看到搜索参数是写在url上的，于是想着直接用https://book.douban.com/subject_search?search_text={0}&cat=1001'.format('书名')，直接改search_text参数，在这个页面按F12调出控制台，失望的是这个url返回的html是不含数据的，如图2。关键是找了一段时间还是没找到异步返回的数据json（如果有人找到了豆瓣subject_search?search_text={0}&cat=1001这类页面的书籍数据的位置欢迎告诉我呀），这时候考虑用Selenium或者查其他接口。
图2，基于搜索url的html截图
json分析
注意到豆瓣图书的搜索页面有一个搜索提示，于是在控制台查Network发现搜索提示返回的直接是一个json，例如查“未来简史”，结果如下：
图3，未来简史搜索提示
返回json可以用的属性有：title：书名、url：对应书的豆瓣页面、pic：书封面图资源位置等。如果上面的输入咱们只有书名，就根据书名和返回的json对应，如果有作者、出版年份等属性，就可以更好的核对是否是我们要找的书，为了简化，下面只用了返回json数据的第1条。
基本代码
根据返回的url就可以从这个url去定位我们需要爬的信息。走通了就可以正式写代码了，以下代码采用jupyter notebook的组织方式，也就是切分得比较细。先引入所需库：
import json
import requests
import pandas as pd
from lxml import etree读取书名Excel数据，只用了"书名"列，先不考虑其他列
bsdf=pd.read_excel('booklistfortest.xlsx')
blst=list(bsdf['书名']) #书名列表
#bsdf.head(3)对书名列表进行循环，得到的属性用字典装着，每本书的属性是一个字典，用列表装各个字典。
通过requests.get('https://book.douban.com/j/subject_suggest?q={0}'.format(bn))获取搜索建议返回的json数据，其中bn是书名字符串。
爬虫的一般解析是用BeautifulSoup或xpath，我更喜欢用xpath，因此下面的代码主要基于xpath解析文本。
以评分为例，鼠标点击评分部分，然后按Ctrl+Shift+I，或者右键点击检查元素，反正就是定位到评分对应的HTML上，定位到评分的代码部分后，右键，选择Copy->Copy XPath，例如对于评分来说有：//*[@id="interest_sectl"]/div/div[2]/strong。
图4，复制评分的xpath
通过con.xpath('//*[@id="interest_sectl"]/div/div[2]/strong/text()')就可以得到评分数据，返回的是列表，一般就是第0个值。同样，其他地方也是这样，而作者、出版社那几个属性是结构比较散的，需要特殊处理。
图5，自由度较大的书目信息部分
通过//*[@id="info"]/span[2]可以确定 出版社 这个属性，但是属性的值，具体是哪个出版社不能确定，这些文字是在info这个节点上的。对于这种长度不定的一个html区域，不能写死xpath解析式，需要理清其HTML树结构，建立info的树结构。通过分析几个具体的页面的info部分，建立树结构如下：
图6，info部分的HTML树
需要得到的是{'出版社’:'中信出版集团'}这样的数据，通过HTML树结构可以看到的特征是键（如出版社）在span里，值可能在text里，也可能封装在span里的子元素里，反正每个键值对之后都有一个br去切分。考虑这些情况写出的代码如下：
def getBookInfo(binfo,cc):
i=0
rss={}
k=''
v=''
f=0
clw=[]
for c in cc:
if '\n' in c:
if '\xa0' in c:
clw.append(c)
else:
clw.append(c)
for m in binfo[0]:
if m.tag=='span':
mlst=m.getchildren()
if len(mlst)==0:
k=m.text.replace(':','')
if '\xa0' in clw[i]:
f=1#需要m.tag=='a'下的值
else:
v=clw[i].replace('\n','').replace(' ','')
i+=1
elif len(mlst)>0:#下面有子span 一种判断是m.attrib=={} 不够精确
for n in mlst:
if n.tag=='span':
k=n.text.replace('\n','').replace(' ','') #不至于下面还有span，懒得用递归了
elif n.tag=='a':
v=n.text.replace('\n','').replace(' ','')
elif m.tag=='a':
if f==1: #是否可以不用这个if
v=m.text.replace('\n','').replace(' ','')
f=0
elif m.tag=='br':
if k=='':
print(i,'err')
else:
rss[k]=v
else:
print(m.tag,i)
return rss为了在大循环里好调用，上面的部分封装成函数，调用getBookInfo()返回的是一个字典，要整合到已有的字典里。涉及字典的组合，查了一下可以用d=dict(d,**dw)，其中d是旧字典，dw是要加到d里的新字典，更简便的方式是用d.update(dw)函数，下面的代码就是用的update的。
主循环代码：
rlst=[]
for bn in blst:
res={}
r=requests.get('https://book.douban.com/j/subject_suggest?q={0}'.format(bn))
rj=json.loads(r.text)
#对rj进行一下验证和筛选
html=requests.get(rj[0]['url']) #之后再考虑多个返回值的验证
con = etree.HTML(html.text)
bname=con.xpath('//*[@id="wrapper"]/h2/span/text()')[0] #和bn比较
res['bname_sq']=bn
res['bname']=bname
res['dbid']=rj[0]['id'] #不需要存url，存id就够了
#这部分取到info就够了，之后再用高级方法去匹配需要的元素，目前对应不对
binfo=con.xpath('//*[@id="info"]')
cc=con.xpath('//*[@id="info"]/text()')
res.update(getBookInfo(binfo,cc)) #调用上面的函数处理binfo
bmark=con.xpath('//*[@id="interest_sectl"]/div/div[2]/strong/text()')[0]
if bmark==' ':
bits=con.xpath('//*[@id="interest_sectl"]/div/div[2]/div/div[2]/span/a/text()')[0]
if bits=='评价人数不足':
res['评分']=''
res['评价人数']='评价人数不足'
else:
res['评分']=''
res['评价人数']=''
else:
res['评分']=bmark.replace(' ','')
bmnum=con.xpath('//*[@id="interest_sectl"]/div/div[2]/div/div[2]/span/a/span/text()')[0]
res['评价人数']=bmnum
rlst.append(res)
得到的数据可以进行一定的标准化然后进行分析再输出。上面得到的列表rlst=[{'书名':'a','出版社':'b'},{'','','':''}]，可以直接变成dataframe，
outdf=pd.DataFrame(rlst) #转dataframe
outdf.to_excel('out_douban_binfo.xlsx',index=False) #输出数据
图7，爬到的数据概览
基础数据统计分析我们开始时读入的bsdf有书名、作者、阅读时间等属性，因为爬下来的数据可能会有缺失值，将两个表合并起来进行分析。分析的维度有书名、作者、阅读时间、出版社、页数等。首先是用merge整合两表然后看一些基本的统计量。
bdf=bsdf.merge(outdf,on='书名',how='left') # 数据合并
# 基本统计值
print('一共有{0}本书，{1}个作者，{2}个出版社；'.format(len(bdf),len(set(list(bdf['作
者']))),len(set(list(bdf['出版社'])))))输出是一共有421本书，309个作者，97个出版社；
我们就来看看前几位的作者和出版社，通过bdf['作者'].value_counts().head(7)可以输出前7位书单里出现最多的作者，出版社同理，结果如下：
图8，出版社和作者统计
从作者出现次数来看，前6位都是小说类型的书，可以看一下吴军的是哪些书：
bdf.loc[bdf['作者']=='吴军',['书名','阅读时间','阅读情况','出版社']]
#output：
'''
书名 阅读时间 阅读情况 出版社
103 数学之美 2016-10-20 P5 人民邮电出版社
233 智能时代 2017-06-22 P4 中信出版社
237 硅谷之谜 2017-07-01 P4 人民邮电出版社
383 见识--商业的本质和人生的智慧 2018-10-21 P4 中信出版社
'''
对每月阅读数量进行统计：
import matplotlib.pyplot as plt #绘图用到matplotlib库
%matplotlib inline
bdf['阅读年月']=bdf['阅读时间'].apply(lambda x : x.strftime('%Y-%m'))
read_date=bdf['阅读年月'].value_counts() #每月阅读量，按月计数
read_date=pd.DataFrame(read_date,columns=['阅读年月']) #从Series变为DataFrame
read_date=read_date.sort_index()
plt.figure(figsize=(15,5))
plt.xticks(rotation=90)#设置时间标签显示格式
plt.plot(read_date) #因为jupyter里写了 %matplotlib inline 不用写 plt.show()
图9，每月阅读数量_时间轴折线图.png
好奇不同年份每个月是否有一定规律呢。要统计这个比较方便的就是用数据透视表了，pandas里的pivot_table出场。
import numpy as np
bdf['阅读年']=bdf['阅读时间'].apply(lambda x : x.strftime('%Y'))
bdf['阅读月']=bdf['阅读时间'].apply(lambda x : x.strftime('%m')) #这里也可以用.month .year
r_dd=bdf.loc[:,['阅读年','阅读月']]
r_dd['val']=1 #用以初始化
r_dd=pd.pivot_table(r_dd,values='val',index=['阅读月'],columns=['阅读年'],aggfunc=np.sum).fillna(value=0)
#这部分代码的细节可以看本人github里jupyter notebook文件的输出
r_dd=r_dd.loc[:,['2016','2017','2018']] #因为其他年份月份不全，只取这3年来看
plt.figure()
r_dd.plot(xticks=range(1,13),figsize=(12,5))
图10，每月阅读数量_按年统计
可以看到这3年在2月和7月阅读普遍数量更多，在7月份之前每月阅读量是逐年上涨的，而从8月到12月则是递减的规律，2016年11月阅读的书籍最多，达到40本以上。
评分是一个数值型变量，用箱线图[图片上传中...(图12_书单内数据相关的书籍.png-5352ab-1551272966564-0)]
展现其特征：
b_rank=pd.DataFrame(bdf['评分']) #评分分布（箱线图）
b_rank.boxplot()
#另，评分 top 10：
#bdf.sort_values(by='评分',ascending=False).head(10).loc[:,['书名','作者','阅读时间'
,'阅读情况','出版社','评分']]
图11，书籍评分箱线图
从箱线图来看，书单有评分的书籍的豆瓣平均分在7.8左右，75%的书评分在7.2以上，也有一些书是在4分一下的。
图12，书单内数据相关的书籍
书单里书名直接包含数据的书有37本，数据科学相关的书籍数量应该大于这个值。
可以进一步分析的有：
看的书的书名词云、作者的词云
出版社省份
把字数统计和爬下来的页数进行拟合，把字数和页数一起处理
把含有多国货币的价格属性按汇率换算后看价格的分布
上面通过一个具体的需求实践了能解决问题的爬虫，豆瓣还是比较容易爬的，上面解析书目信息的做法还是很有意义的，当然我是用xpath做的，如果用BeautifulSoup又会是另一种实现方式，但分析问题->建立HTML树的过程是通用的。上面的代码还是比较简略的，没有考虑过多的验证和异常处理，有任何意见或建议欢迎交流。
以上就是Python如何一键爬取你所关心的书籍信息，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联-成都网站建设公司行业资讯频道。
网页名称：Python如何一键爬取你所关心的书籍信息-创新互联
文章URL：http://scyanting.com/article/desiep.html
