Python爬虫 | 批量爬取今日头条街拍美图

01

前言

上篇文章我们爬取了今日头条街拍美图，心情相当愉悦，今天这篇文章我们使用Selenium来爬取当当网的畅销图书排行。正所谓书中自有黄金屋，书中自有颜如玉，我们通过读书学习来提高自身的才华，自然能有荣华富贵，也自然少不了漂亮小姐姐。

02

准备工作

在爬取数据前，我们需要安装Selenium库以及Chrome浏览器，并配置好ChromeDriver。

03

Selenium

Selenium是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获得浏览器当前呈现的页面的源代码，做到可见即可爬。对于一些JavaScript动态渲染的页面来说，这种爬取方式非常有效。

Selenium库的安装比较简单一行代码就行：

pip install selenium

也可以到PyPI下载(https://pypi.python.org/pypi/selenium/#downloads)对应的wheel文件，然后进入到wheel文件目录，使用pip安装：

pip install .........whl

安装验证，进入Python命令行交互模式，如下图：

这样Selenium就安装完毕了。

04

ChromeDriver安装

首先我们先查看Chrome的版本：点击Chrome菜单“帮助”--->“关于Google Chrome”，即可查看Chrome的版本号，如下图：

打开ChromeDriver的官方网站，根据自身Chrome浏览器版本下载ChromeDriver并安装：

注意：ChromeDriver和Chrome浏览器一定要对应，否则可能无法正常工作。

ChromeDriver的环境变量配置，直接将chromedriver.exe文件拖到Python的Scripts目录下。

到这来，准备工作就完成了，下面我们正式开始抓取当当网的畅销图书排行。

05

实战演练

首先，我们进入当当网的畅销图书网页，我们要利用Selenium抓取图书信息并用pyquery解析得到图书的排名、图片、名称、价格、评论等信息。如下图：

进入开发者工具中的Network，查看Request URL，如下图所示：

在页面下方，有个分页导航，我们点击下一页，观察Request URL的变化：

http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours\-0-0-1-1        #第1页
http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours\-0-0-1-2        #第2页
http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours\-0-0-1-23        #第23页
http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours\-0-0-1\-page        #第n页

我们发现该URL只有最后面的那个数字发生变化，所以我们构造的URL就非常简单了，那个page就是翻页的关键字。

06

首页爬取

首先我们先声明chrome浏览器对应，webdriver支持主流的浏览器，比如说：谷歌浏览器、火狐浏览器、IE浏览器等等。通过WebDriverWait()方法，指定最长等待时间，当规定时间内没加载出来就抛出异常。通过page参数来进行翻页。

代码如下：

browser=webdriver.Chrome()
wait=WebDriverWait(browser,10)
def index_page(page):
    print('正在爬取第',page,'页')
    try:
        url='http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-'+str(page)
        browser.get(url)
        get_booklist()
    except TimeoutException:
        index_page(page)

07

解析商品列表

接下来，我们就可以实现get_booklist()方法来解析商品列表了，这里我们直接调用page_source获取页面源代码，然后用pyquery进行解析，实现代码如下：

def get_booklist():
    html=browser.page_source
    doc=pq(html)
    items=doc('.bang_list li').items()
    for item in items:
        book={
            '排名':item.find('.list_num').text(),
            '书名':item.find('.name').text(),
            '图片':item.find('.pic img').attr('src'),
            '评论数':item.find('.star a').text(),
            '推荐':item.find('.tuijian').text(),
            '作者':item.find('.publisher_info a').text(),
            '日期':item.find('.publisher_info span').text(),
            '原价':item.find('.price_r').text().replace('¥',''),
            '折扣':item.find('.price_s',).text(),
            '电子书':item.find('.price_e').text().replace('电子书：','').replace('¥','')
        }
        saving_book(book)

08

保存数据

接下来，我们将书本信息保存为csv格式，实现代码如下：

with open('data.csv','a',newline='',)as csvfile:
    writer=csv.writer(csvfile)
    writer.writerow(['排名','书名','图片','评论数','推荐','作者','原价','折扣','电子书'])
def saving_book(book):
    with open('data.csv', 'a', newline='')as csfile:
        writer = csv.writer(csfile)
        writer.writerow([book.get('排名'), book.get('书名'), book.get('图片'), book.get('评论数'), book.get('推荐'), book.get('作者'),book.get('原价'),book.get('折扣'),book.get('电子书')])

09

遍历每页

刚才我们所定义的index_page()方法需要接收参数page，page代表页码，这里我们实现页码遍历即可，实现代码如下：

if __name__ == '__main__':
    for page in range(1,3):
        index_page(page)

这里我们只遍历2页，感兴趣的可以遍历多页。

10

结果展示

好了，关于Python爬虫——Selenium爬取当当畅销图书排行讲到这里了，感谢观看!我们下篇文章再见!

-------------------**************************** End -------------------************************************

往期精彩文章推荐：

• 一篇文章教会你用Python抓取抖音app热点数据

  ---

• 手把手教你进行pip换源，让你的Python库下载嗖嗖的

  ---

• 手把手教你用免费代理ip爬数据

  ---

欢迎各位大佬点击链接加入群聊【helloworld开发者社区】：https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。

本文转自 https://mp.weixin.qq.com/s/wU3bo7PH86HnsEnikuU6Wg，如有侵权，请联系删除。