爬取任意两个用户在豆瓣上标记的想读的图书
Posted blogli
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬取任意两个用户在豆瓣上标记的想读的图书相关的知识,希望对你有一定的参考价值。
爬虫的步骤:将要爬取的目标用户想读的图书的首页的url存储在元组中。通过urllib.request方法构造一个发送请求,在通过urllib.urlopen方法发出请求并取得响应(response)。通过response.read得到页面html,然后在通过beautifulsoup将html解析成beautiful结构soup。通过soup中的一系列方法得到每本图书的url存到set中,将此url和其余的信息存到一个dict中。
通过判断在当前页是否还有下一页存在(通过页面的标识寻找),如果存在就继续遍历,直至结束。然后通过set中的”与“运算符得到共同想读的书的url,存储在一个新的set中,如果此set的元素的长度为0,则说明两人没有共同想读的图书,如果不为0,则遍历这些url,然后在dict中找到与之对应的图书的具体信息。然后通过xlwt将图书的信息写在excel中保存。
在构造请求时遇到了发起请求后,服务器返回403。它表示服务器理解了客户的请求,但拒绝处理它。解决的办法是在请求的头部添加refer,refer来自通过浏览器访问目标页面时,通过f12在浏览器中找到的。其目的是模拟通过浏览器访问目标页面来爬取数据。有时候在爬取页面的信息时,需要暂停几毫秒,爬的过于频繁,会被服务器端监测到。
github地址:https://github.com/041240515lq/python_spider
以上是关于爬取任意两个用户在豆瓣上标记的想读的图书的主要内容,如果未能解决你的问题,请参考以下文章
Python项目之我的第一个爬虫----爬取豆瓣图书网,统计图书数量