平时看到的豆瓣爬虫基本都是爬豆瓣top100电影、某电影热评、top100图书、热门图书等,最近遇到的一个需求是根据一堆书名的列表(或者书名Excel文件)爬取对应的书目信息,也就是豆瓣图书页面上的出版社、出版时间、ISBN、定价、评分、评分人数等信息,再整合到pandas里进行处理,最后可以进行数据分析。
豆瓣读书爬虫需求
最近整理书目的时候需要根据几百本书的书名整理出对应的出版社、出版时间、ISBN、评分等属性,书单Excel如下图1中的表。批量处理肯定是用爬虫啦,查了一下没有发现相似的文章,并且自己操作时也遇到了比较有趣的问题,于是把自己的操作思路和过程整理成本文。
图1,书单数据部分截图爬取过程
首先分析豆瓣图书首页:book.douban.com,直接搜索书名时可以看到搜索参数是写在url上的,于是想着直接用https://book.douban.com/subject_search?search_text={0}&cat=1001'.format('书名')
,直接改search_text参数,在这个页面按F12调出控制台,失望的是这个url返回的html是不含数据的,如图2。关键是找了一段时间还是没找到异步返回的数据json(如果有人找到了豆瓣subject_search?search_text={0}&cat=1001这类页面的书籍数据的位置欢迎告诉我呀),这时候考虑用Selenium或者查其他接口。
注意到豆瓣图书的搜索页面有一个搜索提示,于是在控制台查Network发现搜索提示返回的直接是一个json,例如查“未来简史”,结果如下:
图3,未来简史搜索提示返回json可以用的属性有:title:书名、url:对应书的豆瓣页面、pic:书封面图资源位置等。如果上面的输入咱们只有书名,就根据书名和返回的json对应,如果有作者、出版年份等属性,就可以更好的核对是否是我们要找的书,为了简化,下面只用了返回json数据的第1条。
根据返回的url就可以从这个url去定位我们需要爬的信息。走通了就可以正式写代码了,以下代码采用jupyter notebook的组织方式,也就是切分得比较细。先引入所需库:
import json
import requests
import pandas as pd
from lxml import etree
读取书名Excel数据,只用了"书名"列,先不考虑其他列
bsdf=pd.read_excel('booklistfortest.xlsx')
blst=list(bsdf['书名']) #书名列表
#bsdf.head(3)
对书名列表进行循环,得到的属性用字典装着,每本书的属性是一个字典,用列表装各个字典。通过requests.get('https://book.douban.com/j/subject_suggest?q={0}'.format(bn))
获取搜索建议返回的json数据,其中bn是书名字符串。
爬虫的一般解析是用BeautifulSoup或xpath,我更喜欢用xpath,因此下面的代码主要基于xpath解析文本。
以评分为例,鼠标点击评分部分,然后按Ctrl+Shift+I,或者右键点击检查元素,反正就是定位到评分对应的HTML上,定位到评分的代码部分后,右键,选择Copy->Copy XPath ,例如对于评分来说有://*[@id="interest_sectl"]/div/div[2]/strong
。
通过con.xpath('//*[@id="interest_sectl"]/div/div[2]/strong/text()')
就可以得到评分数据,返回的是列表,一般就是第0个值。同样,其他地方也是这样,而作者、出版社那几个属性是结构比较散的,需要特殊处理。
通过//*[@id="info"]/span[2]
可以确定 出版社 这个属性,但是属性的值,具体是哪个出版社不能确定,这些文字是在info这个节点上的。对于这种长度不定的一个html区域,不能写死xpath解析式,需要理清其HTML树结构,建立info的树结构。通过分析几个具体的页面的info部分,建立树结构如下:
需要得到的是
{'出版社’:'中信出版集团'}
这样的数据,通过HTML树结构可以看到的特征是键(如出版社)在span里,值可能在text里,也可能封装在span里的子元素里,反正每个键值对之后都有一个br去切分。考虑这些情况写出的代码如下:
def getBookInfo(binfo,cc):
i=0
rss={}
k=''
v=''
f=0
clw=[]
for c in cc:
if '\n' in c:
if '\xa0' in c:
clw.append(c)
else:
clw.append(c)
for m in binfo[0]:
if m.tag=='span':
mlst=m.getchildren()
if len(mlst)==0:
k=m.text.replace(':','')
if '\xa0' in clw[i]:
f=1#需要m.tag=='a'下的值
else:
v=clw[i].replace('\n','').replace(' ','')
i+=1
elif len(mlst)>0:#下面有子span 一种判断是m.attrib=={} 不够精确
for n in mlst:
if n.tag=='span':
k=n.text.replace('\n','').replace(' ','') #不至于下面还有span,懒得用递归了
elif n.tag=='a':
v=n.text.replace('\n','').replace(' ','')
elif m.tag=='a':
if f==1: #是否可以不用这个if
v=m.text.replace('\n','').replace(' ','')
f=0
elif m.tag=='br':
if k=='':
print(i,'err')
else:
rss[k]=v
else:
print(m.tag,i)
return rss
为了在大循环里好调用,上面的部分封装成函数,调用getBookInfo()返回的是一个字典,要整合到已有的字典里。涉及字典的组合,查了一下可以用d=dict(d,**dw)
,其中d是旧字典,dw是要加到d里的新字典,更简便的方式是用d.update(dw)函数,下面的代码就是用的update的。
主循环代码:
rlst=[]
for bn in blst:
res={}
r=requests.get('https://book.douban.com/j/subject_suggest?q={0}'.format(bn))
rj=json.loads(r.text)
#对rj进行一下验证和筛选
html=requests.get(rj[0]['url']) #之后再考虑多个返回值的验证
con = etree.HTML(html.text)
bname=con.xpath('//*[@id="wrapper"]/h1/span/text()')[0] #和bn比较
res['bname_sq']=bn
res['bname']=bname
res['dbid']=rj[0]['id'] #不需要存url,存id就够了
#这部分取到info就够了,之后再用高级方法去匹配需要的元素,目前对应不对
binfo=con.xpath('//*[@id="info"]')
cc=con.xpath('//*[@id="info"]/text()')
res.update(getBookInfo(binfo,cc)) #调用上面的函数处理binfo
bmark=con.xpath('//*[@id="interest_sectl"]/div/div[2]/strong/text()')[0]
if bmark==' ':
bits=con.xpath('//*[@id="interest_sectl"]/div/div[2]/div/div[2]/span/a/text()')[0]
if bits=='评价人数不足':
res['评分']=''
res['评价人数']='评价人数不足'
else:
res['评分']=''
res['评价人数']=''
else:
res['评分']=bmark.replace(' ','')
bmnum=con.xpath('//*[@id="interest_sectl"]/div/div[2]/div/div[2]/span/a/span/text()')[0]
res['评价人数']=bmnum
rlst.append(res)
得到的数据可以进行一定的标准化然后进行分析再输出。上面得到的列表rlst=[{'书名':'a','出版社':'b'},{'','','':''}]
,可以直接变成dataframe,
outdf=pd.DataFrame(rlst) #转dataframe
outdf.to_excel('out_douban_binfo.xlsx',index=False) #输出数据
图7,爬到的数据概览
基础统计数据分析
我们开始时读入的bsdf有书名、作者、阅读时间等属性,因为爬下来的数据可能会有缺失值,将两个表合并起来进行分析。分析的维度有书名、作者、阅读时间、出版社、页数等。首先是用merge整合两表然后看一些基本的统计量。
bdf=bsdf.merge(outdf,on='书名',how='left') # 数据合并
# 基本统计值
print('一共有{0}本书,{1}个作者,{2}个出版社;'.format(len(bdf),len(set(list(bdf['作者']))),len(set(list(bdf['出版社'])))))
输出是一共有421本书,309个作者,97个出版社;
我们就来看看前几位的作者和出版社,通过bdf['作者'].value_counts().head(7)
可以输出前7位书单里出现最多的作者,出版社同理,结果如下:
从作者出现次数来看,前6位都是小说类型的书,可以看一下吴军的是哪些书:
bdf.loc[bdf['作者']=='吴军',['书名','阅读时间','阅读情况','出版社']]
#output:
'''
书名 阅读时间 阅读情况 出版社
103 数学之美 2016-10-20 P5 人民邮电出版社
233 智能时代 2017-06-22 P4 中信出版社
237 硅谷之谜 2017-07-01 P4 人民邮电出版社
383 见识--商业的本质和人生的智慧 2018-10-21 P4 中信出版社
'''
对每月阅读数量进行统计:
import matplotlib.pyplot as plt #绘图用到matplotlib库
%matplotlib inline
bdf['阅读年月']=bdf['阅读时间'].apply(lambda x : x.strftime('%Y-%m'))
read_date=bdf['阅读年月'].value_counts() #每月阅读量,按月计数
read_date=pd.DataFrame(read_date,columns=['阅读年月']) #从Series变为DataFrame
read_date=read_date.sort_index()
plt.figure(figsize=(15,5))
plt.xticks(rotation=90)#设置时间标签显示格式
plt.plot(read_date) #因为jupyter里写了 %matplotlib inline 不用写 plt.show()
图9,每月阅读数量_时间轴折线图.png
好奇不同年份每个月是否有一定规律呢。要统计这个比较方便的就是用数据透视表了,pandas里的
pivot_table
出场。
import numpy as np
bdf['阅读年']=bdf['阅读时间'].apply(lambda x : x.strftime('%Y'))
bdf['阅读月']=bdf['阅读时间'].apply(lambda x : x.strftime('%m')) #这里也可以用.month .year
r_dd=bdf.loc[:,['阅读年','阅读月']]
r_dd['val']=1 #用以初始化
r_dd=pd.pivot_table(r_dd,values='val',index=['阅读月'],columns=['阅读年'],aggfunc=np.sum).fillna(value=0)
#这部分代码的细节可以看本人github里jupyter notebook文件的输出
r_dd=r_dd.loc[:,['2016','2017','2018']] #因为其他年份月份不全,只取这3年来看
plt.figure()
r_dd.plot(xticks=range(1,13),figsize=(12,5))
图10,每月阅读数量_按年统计
可以看到这3年在2月和7月阅读普遍数量更多,在7月份之前每月阅读量是逐年上涨的,而从8月到12月则是递减的规律,2016年11月阅读的书籍最多,达到40本以上。
评分是一个数值型变量,用箱线图[图片上传中...(图12_书单内数据相关的书籍.png-5352ab-1551272966564-0)]
展现其特征:
b_rank=pd.DataFrame(bdf['评分']) #评分分布(箱线图)
b_rank.boxplot()
#另,评分 top 10:
#bdf.sort_values(by='评分',ascending=False).head(10).loc[:,['书名','作者','阅读时间','阅读情况','出版社','评分']]
图11,书籍评分箱线图
从箱线图来看,书单有评分的书籍的豆瓣平均分在7.8左右,75%的书评分在7.2以上,也有一些书是在4分一下的。
图12,书单内数据相关的书籍书单里书名直接包含数据的书有37本,数据科学相关的书籍数量应该大于这个值。
可以进一步分析的有:
- 看的书的书名词云、作者的词云
- 出版社省份
- 把字数统计和爬下来的页数进行拟合,把字数和页数一起处理
- 把含有多国货币的价格属性按汇率换算后看价格的分布
数据输出
上面通过一个具体的需求实践了能解决问题的爬虫,豆瓣还是比较容易爬的,上面解析书目信息的做法还是很有意义的,当然我是用xpath做的,如果用BeautifulSoup又会是另一种实现方式,但分析问题->建立HTML树的过程是通用的。上面的代码还是比较简略的,没有考虑过多的验证和异常处理,有任何意见或建议欢迎交流。
另以上代码更新于本人Github:doubanBlstSpider。
网友评论