爬取某东600多本书籍，用数据帮你分析哪些Python书籍值得选
欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！
对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。
作者： PayneLi
公众号： Python全家桶
最近有好几个读者私下问我：刚接触Python、或打算要学习Python，不知道选什么书比较合适，当时只根据自己的Python经验和学习感受，给读者推荐了一些自认为不错的。但是，毕竟一个人接触少，局限性太大，也许还有更多、更好的好书只是我没有接触过。于是就打算实际操作，通过爬虫方式爬取某东上的书籍、通过数据来帮助大家更科学、更合理的选择学习资料。
本文概要
说真的，在互联网爆发的今天，想要找一本Python书那真的太简单了，去某东或某宝，随便敲一个Python，各种各样的书籍扑面而来。好的是可选择性多了，坏的是面对这些层次不齐的书，到底该选择那一本，于是就有了这篇文章。
本篇文章分为上、下两篇，今天是上篇，主要分享如何爬取书籍信息
上篇主要是分享如何通过Python爬取某东上的书籍信息
下篇主要是通过对爬取的数据进行分析，帮大家寻找一些口碑和销量都不错的书籍。
再看看需要爬取的书籍指标：
书名：买书必须要看的参数
价格：价格毋庸置疑，是必须要考虑的参数
评论数：侧面反映书的好坏。某东的书籍无销量，可以通过评论数来反映销量
好评率：最直观的指标，能够反应读者使用的体验
排名：某东自营书籍有的会有销量榜排名，所以也是非常重要的参数
是否自营：自营书籍会有书籍的排名，并且物流有保证
环境搭建
在开始爬虫之前，先要搭建一个爬虫的虚拟环境。我是在window10系统，使用anconda进行环境管理，大家可以根据自己的系统和操作习惯自行选择。
爬虫环境：Windows10 + Anconda + Python3.7 + Request
本文虚拟环境：python_books_env
需要安装的包：request、matplotlib、pandas、fake_useragent、lxml
页面分析
再明确了本文要爬取得参数之后，接下来爬虫才算正式开始。首先，我们根据当前的需求，去某东商城找到对应的请求初始URL。本文主要是爬取python书籍，所以直接打开某东商城，在搜索栏直接输入：python，就会出现我们需要的Python书籍：
1. 翻页分析
这个只是搜索页界面的url，当你在点击页面下面的第一页时，你会发现第一页面的url会反生变化，然后在点击第二页、第三页的时候，url的如下：
# 前三页的url
https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=1&s=1&click=0
https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=3&s=57&click=0
https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=5&s=117&click=0
对比这三个url，发现page、s这两个参数随着每次的翻页，会发生变化。但是作为一个上过高中、学过等差数列的我，
一下子就找到了翻页规律：2n-1
但是问题又来了，s是个什么东西，大大的三个问号在我心里。不过不要急，当试着去掉这个s参数时，界面居然没有发生变化，这个参数是用来搞笑的吗？不过对于爬虫来说，这种对数据无影响的参数直接干掉就是了(click这个参数也对数据没影响，直接干掉)。
于是，通用的请求的url如下：
https://search.jd.com/Search?keyword=python&
enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python
&page=2n-1
2. 评论数和好评率
上边搞定翻页之后，接下来就是对每一本书参数进行提取了。右键查看源码，随机看一本书，书名、价格、详情页url、是否自营这4个参数直接在当前页面响应中就可以提取的到，但发现评论数这个便签显示
是空的，某有错。
不过不要慌，问题不大。经分析评论相关的数据是通过Ajax请求动态加载的，对于这种情况，直接右键选择检查， 通过NetWork抓包分析，很快就找到了评论的请求路径：
不过评论的url里面包含referenceIds、_这两个参数。对于抓包的url里面referenceIds是所有书籍的sku_id，返回的是当前页所有书的评论信息。而我在抓取数据的时候，为了保证评论数正确性和代码的可读性，请求只携带当前书籍sku_id，返回当前书籍的评论数和好评率。_参数是时间戳，很好处理。
轻轻松松搞定了评论
所以，通用的评论请求的url如下：
"https://sclub.jd.com/comment/productCommentSummaries.action?referenceIds={}&callback=jQuery5954857&_={}"
3. 详情页获取销量排名
自营书的销量排名数据是在详情页面，所以这次需要进入详情页去一探究竟。还是刚才的操作，先看了一波源码，毛都没看到。不过结合之前评论的操作，继续右键检查，经过分析，排名参数也是通过Ajax请求动态加载的，
嗖嗖的就搞定了
经过分析和验证，只需要将找到的url里面参数skuId换成动态的就行。别的参数不用再做处理。
到这里，最后一个参数也分析完毕，通用url如下：
https://c.3.cn/book?skuId={}&cat=1713,3287,3797&area=1_72_2799_0
&callback=book_jsonp_callback
Show Code
越往后书籍，书的销量和质量都在下降，所以这里只爬取前20页的。经过上边的分析，整个爬虫的页面分析已经逼逼完成，接下来就是代码的展示。
好的，不逼逼了，直接操家伙，上代码：
import requests
from lxml import etree
from userAgent import USER_AGENT_LIST
import random
import time
import re
import os
import csv
from fake_useragent import UserAgent
# 实例化一个ua对象
ua = UserAgent()
class PythonBookSpider(object):
"""爬取京东商城前20页的Python书籍"""
def __init__(self):
self.base = "https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page={}"
self.comment_url = "https://sclub.jd.com/comment/productCommentSummaries.action?referenceIds={}&"
"callback=jQuery5954857&_={}"
self.rank_url = "https://c.3.cn/book?skuId={}&cat=1713,3287,3797&area=1_72_2799_0&callback=book_jsonp_callback"
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) "
"Chrome/22.0.1207.1 Safari/537.1",
"authority": "search.jd.com"
}
def _send_request(self, url):
"""
发送请求,获取响应
:param url: 请求路径
:return:
"""
# self.headers["User-Agent"] = random.choice(USER_AGENT_LIST)
self.headers["User-Agent"] = ua.random
time.sleep(0.5)
response = requests.get(url=url, headers=self.headers, timeout=5)
return response
def send_request(self, url):
"""主要是对请求响应进行处理"""
try:
response = self._send_request(url)
except Exception as e:
print("request error: {}".format(e))
return None
if response.status_code != 200:
content = None
else:
content = response.content
return content
def get_comment_count(self, sku_id):
"""获取评论数"""
print("comment url: {}".format(self.comment_url.format(sku_id, int(time.time()))))
response = self.send_request(self.comment_url.format(sku_id, int(time.time())))
if not response:
return "", ""
# 响应的编码方式可以在响应中查看
response = response.decode("GBK")
good_rate = re.findall(""GoodRate":(d.d+)", response)[0] if re.findall(""GoodRate":(d.d+)",
response) else ""
commet_count = re.findall(""CommentCount":(d+)", response)[0] if re.findall(""CommentCount":(d+)",
response) else ""
# print(" good rate: {}".format(good_rate))
# print(" comment count: {}".format(commet_count))
return good_rate, commet_count
def parse_book_rank(self, sku_id):
"""
获取京东自营书籍销量排行榜名次
:param sku_id: int 书籍的sku_id
:return:
"""
# b'book_jsonp_callback({"yn":2,"rank":86,"ebookId":0})'
response = self.send_request(self.rank_url.format(sku_id))
if not response:
return False, None
print("b_rank:{}".format(response.decode()))
b_rank = re.findall(r""rank":[-|0-9][0-9]*", response.decode())
b_rank = b_rank[0].split(":")[1] if b_rank else ""
return True, b_rank
def save_book_info(self, books_list):
"""
保存书籍信息
:param files: 每一页的书籍信息
"""
if not os.path.exists("./PythonBookInfo.csv"):
with open("./PythonBookInfo.csv", "a+", newline="") as file:
writer = csv.writer(file)
writer.writerow(["name", "price", "is_self_operated", "comment_counts", "good_comments_rate",
"good_comments_rate", "sale_rank"])
with open("./PythonBookInfo.csv", "a+", newline="") as file:
writer = csv.writer(file)
for book_list in books_list:
try:
writer.writerows(book_list)
except:
continue
def parse_index_page(self, response):
"""
解析首页的界面信息
:param response: type: str 搜索页面的响应
:return: type: list 每一页的全部书籍相关信息
"""
index_selector = etree.HTML(response)
books_list = index_selector.xpath('//div[@id="J_goodsList"]/ul/li') # 解析每一页的书籍列表
py_bookinfo_list = []
for book in books_list:
# 书籍详情地址
b_url = book.xpath('.//div[@class="p-img"]/a/@href')
# 图书价格
b_price = book.xpath('.//div[@class="p-price"]//i/text()')
# 卖家方式
b_seller = book.xpath('//div[@class="p-icons"]/i[1]/text()')
# 书名称
b_name = book.xpath('.//div[@class="p-name"]//em')
# print("b_name: {}".format(b_name[0].xpath("string(.)")))
b_name = [] if not b_name else b_name[0].xpath("string(.)").strip()
# 书的评论数：通过js加载的
sku_id = book.xpath('./@data-sku')[0]
if not sku_id:
continue
good_rate, commet_count = self.get_comment_count(sku_id)
if not all([b_url, b_price, good_rate, commet_count, b_name]):
continue
detail_url = "https:" + b_url[0] if not b_url[0].startswith("https") else b_url[0]
# print("detail url：{}".format(detail_url))
# 如果是京东自营的话，在抓取对应的自营排名、出版社
if b_seller[0] == "自营":
# 获取书籍销售排行榜名次
rank_response = self.parse_book_rank(sku_id)
if not rank_response:
continue
b_rank = rank_response[1]
b_seller = b_seller[0]
# 获取书籍出版社
# b_publisher = self.parse_detail_page(detail_url)
else:
b_rank = ""
b_seller = ""
py_bookinfo_list.append([[b_name, b_price[0], b_seller, commet_count, good_rate, b_rank, detail_url]])
return py_bookinfo_list
def spider(self):
"""spider的主要逻辑业务"""
for page in range(1, 21):
# 1.请求搜索页，获取书籍列表页面信息，这里请求前20页
first_response = self.send_request(self.base.format(2 * page - 1))
if not first_response:
continue
# 2.解析搜索页书籍的相关信息
py_bookinfo_list = self.parse_index_page(first_response)
if not py_bookinfo_list:
continue
# 3.保存爬取书籍信息
self.save_book_info(py_bookinfo_list)
print("第 {}页爬取完成".format(page))
print("抬头 望天")
if __name__ == '__main__':
py_spider = PythonBookSpider()
py_spider.spider()
整篇文章爬虫部分就已经完成了。接下来就是运行该文件，爬取书籍信息了。爬到的书籍一部分信息如下：
至此，这篇文章的上篇就分享到这里，接下来会分享下篇，主要是通过对爬到的书籍进行分析，找出性价比更搞的书籍，帮助大家在选择买书的时候可以多一份参考，少一分焦虑。
Python的爱好者社区历史文章大合集：
2018年Python爱好者社区历史文章合集（作者篇）
2018年Python爱好者社区历史文章合集（类型篇）
关注后在公众号内回复“ 课程 ”即可获取：
小编的转行入职数据科学（数据分析挖掘/机器学习方向）【最新免费】
小编的Python的入门免费视频课程！
小编的Python的快速上手matplotlib可视化库！
崔老师爬虫实战案例免费学习视频。
陈老师数据分析报告扩展制作免费学习视频。
玩转大数据分析！Spark2.X + Python精华实战课程免费学习视频。
