学习Python:requests + BeautifulSoup + MySQLdb抓取简单数据

初学Python,试着用requests + BeautifulSoup + MySQLdb抓取豆瓣图书TOP250的各类数据同时存入数据库。

1.目标

url:

豆瓣图书TOP250:https://book.douban.com/top250?start=0
一共有250个图书,每一页返回25条数据,start从0到最大225。

html:

图1.png

每一页的25条数据都在<td valign="top">里面,对应有图书名、出版社、评分(可选)、参评人数、一句话介绍等数据,目的就是把以上数据筛选出来存入MySQL中。

2.开始

先用命令创建一个MySQL数据库,一定要设置默认字符集为utf8,否则可能会导致无法插入中文数据:

MacBook-Pro:~ Tan$ mysql -u root -p
Enter password: 
Welcome to the MySQL monitor.  Commands end with ; or \g.
Your MySQL connection id is 4
Server version: 5.7.19 MySQL Community Server (GPL)

Copyright (c) 2000, 2017, Oracle and/or its affiliates. All rights reserved.

Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.

Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.

mysql> CREATE DATABASE NEWDATABASE DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci;
Query OK, 1 row affected (0.00 sec)

douban.py用于网络请求和数据解析

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import requests
from bs4 import BeautifulSoup
import sys
import time
from dbManager import DBManager

reload(sys)
sys.setdefaultencoding( "utf-8" )

# 获取图书TOP250
class Douban():
    """docstring for Douban"""
    def __init__(self):
        self.baseurl = 'https://book.douban.com/top250?start='
        self.agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
        self.headers = {'User-Agent':self.agent}
        self.page = 0
        self.maxPage = 250 - 25 
        self.db = DBManager()

    #拼接当前url
    def getCurrentUrl(self):
        url = self.baseurl + str(self.page)
        print 'url:%s' % url
        return url

    #TOP250数据都在<td valign="top">里面
    def has_valign_but_no_width(self,tag):
        return tag.has_attr('valign') and not tag.has_attr('width')

    #获取每一页的数据
    def loadPage(self):
        url = self.getCurrentUrl()
        result = requests.get(url,headers=self.headers).content
        soup = BeautifulSoup(result,'html.parser', from_encoding='utf-8')
        content = soup.find_all(self.has_valign_but_no_width)

        #遍历,解析有用的数据
        for item in content:
            title = item.a['title']
            publishingHouse = item.p.string
            price = publishingHouse.split('/')[-1]
            ratingNums = item.find('span',class_ = 'rating_nums').string
            ratingPeoples = item.find('span',class_ = 'pl').string[1:-1].strip()
            inq = ''
            if item.find('span',class_ = 'inq'):
                inq = item.find('span',class_ = 'inq').string

            print 'title:%s\npublishingHouse:%s\nprice:%s\nratingNums:%s\nratingPeoples:%s\ninq:%s\n' % (title,publishingHouse,price,ratingNums,ratingPeoples,inq)

            #插入数据库
            self.db.insert(title,publishingHouse,price,ratingNums,ratingPeoples,inq)

        #抓取完一页 休息3s
        time.sleep(3)

        #抓取下一页
        self.page += 25
        if self.page <= self.maxPage:
            self.loadPage()
        else:
            # 爬完就关闭数据库
            self.db.closeDB()

if __name__ == '__main__':
    douban = Douban()
    douban.loadPage()

dbManager用于数据存储

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import MySQLdb
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

class DBManager():
    """docstring for DBManager"""

    SQL_CREATE = '''CREATE TABLE IF NOT EXISTS DOUBANBOOK (id int unsigned not null AUTO_INCREMENT primary key,
    title varchar(20) not null,
    publishingHouse varchar(50),
    price varchar(10),
    ratingNums varchar(10),
    ratingPeoples varchar(20),
    inq varchar(20))'''
 
    SQL_INSERT = '''INSERT INTO DOUBANBOOK (title,publishingHouse,price,ratingNums,ratingPeoples,inq) VALUES (%s,%s,%s,%s,%s,%s)'''

    def __init__(self):
        self.host = 'localhost'
        self.dbName = '数据库名'
        self.userName = 'root'
        self.password = '密码'

        self._db = MySQLdb.connect(host = self.host,
            user = self.userName,
            passwd = self.password,
            db = self.dbName,
            charset="utf8")

        self._cursor = self._db.cursor()
        self._execute(sql=self.SQL_CREATE)

    
    def _execute(self,params=None,sql=''):
        if params:
            self._cursor.execute(sql,params)
        else:
            self._cursor.execute(sql)

    def insert(self,title,publishingHouse,price,ratingNums,ratingPeoples,inq):
        try:
            self._execute(params=(title,publishingHouse,price,ratingNums,ratingPeoples,inq),sql=self.SQL_INSERT)
            self._db.commit()
        except Exception as e:
            print 'db error %s' % e
            self._db.rollback()

    def closeDB(self):
        self._db.close()

3.最后

运行douban.py:

url:https://book.douban.com/top250?start=0
title:追风筝的人
publishingHouse:[美] 卡勒德·胡赛尼 / 李继宏 / 上海人民出版社 / 2006-5 / 29.00元
price: 29.00元
ratingNums:8.9
ratingPeoples:283124人评价
inq:为你,千千万万遍

title:小王子
publishingHouse:[法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元
price: 22.00元
ratingNums:9.0
ratingPeoples:225146人评价
inq:献给长成了大人的孩子们

title:围城
publishingHouse:钱锺书 / 人民文学出版社 / 1991-2 / 19.00
price: 19.00
ratingNums:8.9
ratingPeoples:188666人评价
inq:对于“人艰不拆”四个字最彻底的违抗

title:解忧杂货店
publishingHouse:[日] 东野圭吾 / 李盈春 / 南海出版公司 / 2014-5 / 39.50元
price: 39.50元
ratingNums:8.6
ratingPeoples:233024人评价
inq:一碗精心熬制的东野牌鸡汤,拒绝很难
图2.png

数据库结构:

+-----------------+------------------+------+-----+---------+----------------+
| Field           | Type             | Null | Key | Default | Extra          |
+-----------------+------------------+------+-----+---------+----------------+
| id              | int(10) unsigned | NO   | PRI | NULL    | auto_increment |
| title           | varchar(20)      | NO   |     | NULL    |                |
| publishingHouse | varchar(50)      | YES  |     | NULL    |                |
| price           | varchar(10)      | YES  |     | NULL    |                |
| ratingNums      | varchar(10)      | YES  |     | NULL    |                |
| ratingPeoples   | varchar(20)      | YES  |     | NULL    |                |
| inq             | varchar(20)      | YES  |     | NULL    |                |
+-----------------+------------------+------+-----+---------+----------------+

接下来,准备用这个数据库数据配合flask_restful做一个简单的api,返回给App使用。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,794评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,050评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,587评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,861评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,901评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,898评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,832评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,617评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,077评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,349评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,483评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,199评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,824评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,442评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,632评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,474评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,393评论 2 352

推荐阅读更多精彩内容