【Python3爬虫】网络小说更好看？十四万条书籍信息告诉你

一、前言简述

　　因为最近微信读书出了网页版，加上自己也在闲暇的时候看了两本书，不禁好奇什么样的书更受欢迎，哪位作者又更受读者喜欢呢？话不多说，爬一下就能有个了解了。

二、页面分析

　　首先打开微信读书：https://weread.qq.com/，往下拉之后可以看到有榜单推荐，而且显示总共有25个榜单，有的榜单只有几百本，有的榜单却有几万本书。

　　打开“文学艺术榜”，可以看到一页显示了20条书本信息，下拉之后很容易就能发现这些书本信息是通过 AJAX 来加载的。

　　更关键的是，要获取这些书籍信息，只需要得到分类 ID 和参数 maxIndex。不过测试发现，每个分类只会返回50个页面的内容，也就是最多一千条书本信息。那么，如果只有这25个类别的榜单，能得到的数据还是有点少的，所以要怎么得到更多的数据呢？

　　细心的人可以发现右侧还能选择类别！如下图：

　　不过，查看这些元素发现里面是没有显示 URL 的，如下图：

　　但是这也不表示没有办法了，全局搜索一下就能找到了，如下图：

　　CategoryId 就是这个分类的 ID，也就是 URL 中“bookListInCategory/”后面的内容。至于 maxIndex，可以先设为0，然后发送请求得到这一分类的书本总数“totalCount”，然后根据这个书本总数是否超过一千来设置页数，就能得到这一分类下能够爬取到的所有 URL 了。

三、爬取步骤

　　前面经过分析已经知道只要拿到书本分类 ID，就能发送请求得到书本总数，也就能构造该分类下的所有页面的 URL 了。那要怎么得到所有分类呢？前面全局搜索的时候已经搜到了书本分类的 CategoryId 等信息，如下图：

　　所以只需先请求页面然后用正则匹配 CategoryId 就行了！然后对每个分类发送一次请求，用于获取书本总数，并构造这一分类下的所有 URL。这一部分代码如下：　

 def prepare(base_url="https://weread.qq.com/web/category/1700000") -> list:

     """

     prepare for crawler

     :param base_url: weread base url

     :return: page url list

     """

     def request(url) -> list:

         """

         request function

         :param url: url

         :return: page url list

         """

         page_urls = []

         try:

             res = requests.get(url=url, headers=headers)

             if res.status_code == 200:

                 count = res.json()["totalCount"]

                 cnt = 50 if count >= 1000 else count // 20

                 page_urls = [url + "?maxIndex={}".format(i * 20) for i in range(cnt)]

             else:

                 logging.error("Error request!")

         except Exception as e:

             logging.error(e)

         finally:

             return page_urls

     resp = requests.get(url=base_url, headers=headers)

     # check status code

     if resp.status_code == 200:

         id_list = re.findall('"CategoryId":"(.+?)"', resp.text)

         id_list = list(set([i for i in id_list if i[0].isdigit()]))

         href_list = ["https://weread.qq.com/web/bookListInCategory/{}".format(i) for i in id_list]

         result = []

         for href in href_list:

             result += request(href)

         logging.info("Url count: {}".format(len(result)))

         return result

     else:

         logging.error("Prepare error!")

         exit()

　　进行到这一步，后面就很简单了，就是获取请求结果并解析即可。程序运行时打印输出如下：

　　可以看到总链接数有7091条，那么爬到的书本信息有多少条呢？因为我用的是 MongoDB 保存的，所以打开 Robot3T 查看，总共有141137条，结果如下图：

四、绘图分析

　　熟悉 Python 的都知道，matplotlib 是 Python 中用的最多的 2D 图形绘图库。不过我在这推荐一个好用的第三方库：pyecharts，这是一个用于生成 Echarts 图表的类库，生成的图表更加精巧，可视化效果更好，不过需要注意的是 pyecharts 的0.5版本和1.0版本使用方法是不同的。下面就是使用这个库生成的横向柱状图了，分别表示评分前十的书籍、阅读量前十的书籍和总阅读量前十的作者：

　　可以发现评分高的书籍阅读量却不一定高，阅读量更多的往往是一些网络小说。为什么好像现在名著都不怎么讨喜，而网络小说却能让更多人着迷呢？个人猜想是小说里的世界可能更加能够满足现在年轻人的幻想吧，现实生活疲惫不堪，就会更加迷恋小说中的“世外桃源”吧。

　　完整代码已上传到 GitHub！